衡宇 发自 凹非寺
量子位 | 公众号 QbitAI
今年上海世界人工智能大会，谁最受关注？
展区现场，有个挤得水泄不通的互动——
像孙猴子一样在全世界大闹天宫的AI大模型，而且真的和《大闹天宫》联动！
只需一张真人正面图片，就能get天庭打工人寸照；在测出属于你的《大闹天宫》版MBTI的同时，玉帝老儿还会赏咱个天上的官儿当当，何不美哉？
这个对大多数人来说见了就挪不动腿的AI互动体验背后，背后还是一支越来越出圈的国产大模型团队。
它不仅手握多模态能力，还在WAIC上亮出了手里最新的万亿MoE大模型。
平时低调，亮相不多，但总是一鸣惊人。
阶跃星辰，微软前全球副总裁，微软亚洲互联网工程院前首席科学家姜大昕创立，出道不早，但后发先至，目前已是公认的大模型第一梯队玩家，位列大模型创业“六小强”。
而且这一次WAIC期间，阶跃星辰展示的大模型能力，不只是和孙悟空携手闹天空那么简单。
万亿MoE+多模态大模型
阶跃目前推出的模型均为Step系列。
新模型发布之前，小结一下过去的成员：今年3月，阶跃共发布3款模型，即Step-1千亿参数语言大模型、Step-1V千亿参数多模态大模型、Step-2万亿参数MoE语言大模型（预览版）。
在这次WAIC，Step家族增加3名新成员。
- Step-2万亿参数语言大模型正式版
- Step-1.5V千亿参数多模态大模型
- Step-1X图像生成大模型
第一个是MoE结构的万亿参数大语言模型，后面二者则是多模态模型。
大语言模型：Step-2正式版
3月底的全球开发者先锋大会开幕式上，阶跃展示了万亿参数MoE语言大模型Step-2的预览版。
不是我说，阶跃是懂什么叫“浅尝辄止”的，只有预览版，让人心痒痒。
好在阶跃团队坚信Scaling Law，因此不断训练更大模型。
这次，Step-2正式版终于正式亮相。
Step-2拥有万亿参数，采用MoE架构，官方介绍，Step-2在数理逻辑、编程、中文知识、英文知识、指令跟随等方面体感全面逼近GPT-4。
背后有阶跃团队花了大心思的巧思在。
首先是创新算法架构。
一般而言，主流训练MoE模型有两种方式，不然就基于已有模型通过upcycle（向上复用）开始训练，不然就从头开始训练。
Upcycle方式所需算力相对更低、训练效率更高，但随随便便就到这种方式的天花板了。
比如基于拷贝复制得到的MoE模型，非常容易出现专家同质化严重的情况。
而选择从头开始训练MoE模型的话，能够探得更高的模型上限，但作为代价，训练难度也会增大。
俗话说得好，勇敢阶跃，不怕困难（doge）。
在设计Step-2的MoE架构时，阶跃星辰迎难而上，完全自主研发，从头开始训练。
过程中，通过部分专家共享参数、异构化专家设计等创新MoE架构设计，Step-2这个混合专家模型中的每个专家都得到了充分训练。
故而，Step-2总参数量达到万亿级别，每次训练或推理所激活的参数量也超过了市面上的大部分Dense模型。
此外，Step-2的训练过程中，阶跃的系统团队突破了6D并行、极致显存管理、完全自动化运维等关键技术，支撑起了整个模型的高效训练。
多模态大模型：追求多模理解和生成的统一
姜大昕曾经坚定表示过，团队追求的是多模理解和生成的统一，“Step系列大模型将为多模理解和生成的统一奠定坚实基础。”
于是，在多模理解方面秀肌肉的Step-1.5V多模态大模型，以及在多模生成方面小有所成的Step-1X图像生成大模型，这次也对外发布。
Step-1.5V多模态大模型从Step-1V千亿参数多模态大模型迭代而来。
Step-1V大模型已经可以精准描述和理解图像中的文字、数据、图表等信息，并根据图像信息实现内容创作、逻辑推理、数据分析等多项任务。
而视频中的内容，它也可以轻松理解。
对比前作，Step-1.5V多模态大模型有明显跃升。
- 感知能力：创新的图文混排训练方法，让Step-1.5V能理解复杂图表、流程图、准确感知物理空间复杂的几何位置，还能够处理高分辨率和极限长宽比的图像。
- 推理能力：根据图像内容进行各类高级推理任务，如解答数学题、编写代码、创作诗歌等。
- 视频理解能力：它不仅能够准确识别视频中的物体、人物和环境，还能够理解视频的整体氛围和人物情绪。
另一个新发布的Step-1X图像生成大模型，有600M、2B、8B三种参数量，分别适合对于速度敏感、日常主力（平衡效果和速度）、追求更高效更极致这三种场景。
通过全链路自研的DiT模型架构，Step-1X有更好的文本prompt和生成图片的语义对齐能力，以及指令跟随能力。
还有个不得不提的点：
Step-1X针对中国元素进行了深度优化，有关中国元素、文化的内容都能轻松拿下，生成的效果也更符合国人审美。
对外亮相第一天起，阶跃星辰就摆明姿态，攀登AGI巅峰之路“万亿参数”和“多模融合”缺一不可。
这次一股脑儿推出的三款新模型，就是其在既定路线上向前探索的有力证明。
不可或缺的AI应用与生态布局
阶跃星辰不是WAIC上唯一推陈出新的大模型玩家。
在现场有一种强烈的感受，相比去年WAIC，展区的大模型厂商出现了更多创业公司的身影，尤为不同的是，无论是展商、论坛还是观众，对AI大模型应用的关注和讨论都占去不小篇幅。
类似“模应一体”“杀手级应用”“AI应用生态”这般的话题，频频被提起。
姜大昕此前有过一个生动的比喻：模型和产品的关系，就像灵魂和皮囊。
当你具体到某个应用的时候一定要通用模型跟它深度绑定，应用才能做到极致。
反过来也是一样，我不觉得一个光做应用的公司，没有一个模型跟它深度绑定的话，它能做到极致。
这就凸显出阶跃星辰在模型与产品之间的伏线千里之妙。
以自家Step系列模型为基座，阶跃星辰的产品共有两类，自有产品和合作产品。
自有产品方面，有聊天类应用跃问，定位个人效率助手，web端和App端可用；AI开放世界平台冒泡鸭，提供海量智能体，主打一个休闲娱乐。
两款toC产品，均已全面开放使用。
这里重点介绍一下跃问，它拥有联网搜索、代码分析增强（POT）等能力，能够提供信息查询、语言学习、创意写作、图文解读等服务。
和其它家聊天类应用相比，它有一个最大的优势：多模态内容理解能力。
它能够帮助用户识别真实世界的万事万物：
能够理解和分析复杂的金融图表：
还能理解热梗图片中的深意：
甚至能够根据欧洲杯赛程表，梳理生成“一图读懂”：
合作产品方面，最亮眼的就是此次吸粉无数的《大闹天宫》AI互动体验。
动画电影《大闹天宫》制作于1961年，是上美影的灵魂代表作，60年来，更成为几代人钟爱的回忆。
半个多世纪以来，基于这个国民IP的创新层出不穷，还能玩出什么新花样？
围绕《大闹天宫》，阶跃团队与上影集团利用AIGC和大模型技术，联合推出了AI互动体验产品，让大家能与电影情境深度融合。
玩法也很简单：
上传一张个人照片，然后开始走Step系列大模型生成的剧情。
模型算法会识别照片特征，提取后结合《大闹天宫》的画风和角色，完成风格迁徙，生成新的肖像。
剧情发展过程中，用户能选择，也能和系统对话交谈。
等等，这还没完！
根据刚才做出的选择和回答，大模型还会进一步分析用户的MBTI人格，最后得出结论：
如果你在天庭当打工人，最适合什么差事？
（没办法咯，孙悟空大闹天宫前也老老实实做了段时间弼马温）
量子位测出来，是enfp的赤脚大仙。
都说光脚的不怕穿鞋的，本大仙今天就原地罢工吧（不是）。
据说只有1%的人能测出来齐天大圣，不是我，我慕了。
没在现场但想玩一把的朋友们，可点击文末阅读原文，也欢迎大家把测出来的MBTI和神仙职位在评论区分享～
上述产品不只是阶跃星辰利用自家大模型能力对外输出的全部。
据了解，在内容、金融、网络文学、知识服务、影视等领域，阶跃星辰都和行业头部展开合作，多维探索面向C端用户的创新应用。
国产大模型创业第一梯队新格局
对于所有的大模型玩家来说，从ChatGPT诞世的那一天起，全球范围内的竞争就愈发激烈，再也没有停歇过。
尤其是WAIC现场，这样的信号传递得非常明显。
谷歌、Meta、BAT、华为、讯飞、深度求索、AI四小龙……老牌AI布局者，在AI 2.0时代的实力依然不可小觑。
背后原因是AI 2.0实质上是随着研究深入，对判别式AI与生成式AI的人为划分，而深度学习的核心三驾马车，即对算法、算力、数据的掌握和运用，依然是重中之重。
但古今中外，一个时代有一个时代的公司，每个时代都会有代表性的公司出现。
AI 2.0时代的大模型初创公司，确实已经出现了对技术和产业的发展至关重要的锐力。
WAIC展区，就有这样的玩家出现，而且经过第一阶段的竞速和洗牌，大模型创业的上半场基本已经结束。
在上半场中，能够脱颖而出的创业玩家，首先通过自研基础大模型，证明了自己的技术研发实力；其次还通过产品和应用，开启了商业模式试水，构建起了技术-产品-数据-商用的初步飞轮；最后，还获得了创投和资本市场的认证，完成了独角兽级别的巨额融资，有粮草和底气可以开启下一阶段比拼。
实际上，上半场也是创业玩家的分水岭，能够在此时此刻把公司推至独角兽级别，是角逐下半场的门票体现。
也就是说，没有门票，基本就告别下半场了，更别说AGI了。
因为随着第一阶段竞速，市场的作用开始展现，不论是技术人才、研发资源、创投资本，都在急剧收敛，形成马太效应——留在桌上的玩家会获得更多的资源挑战更大的目标，下了桌的玩家，原先有的也要被拿回。
互联网时代、移动互联网时代、AI1.0时代的轨迹，再次重复上演。
而现在，在AI2.0上半场拿到门票的创业玩家，格局初现，六小强锐不可当——
智谱华章、月之暗面、MiniMax、零一万物、百川智能、阶跃星辰……越来越多被放在一起谈论。
而阶跃星辰，是其中后发的一个，但正在展现出谋定而后动的后发优势。
而且它是为数不多，在国内同时拥有多模态大模型能力和万亿MoE大模型的玩家，这代表了面向下半场的某种潜在竞争力和加速度来源。
热门跟贴