打开网易新闻 查看精彩图片

作者丨漫地

编辑丨子钺

图源丨DiffuSpace

成立仅五个月,DiffuSpace(扩散智能)就成为创投圈炙手可热的创业公司。

2026年10月,这家初创公司连续完成两轮融资,累计融资近5亿元,拿下全球扩散语言模型(dLLM)领域迄今最大规模融资。经纬创投、顺为资本、君联资本联合领投,中科创星、华为哈勃、地平线等机构跟投。

打开网易新闻 查看精彩图片

一家成立不到半年的公司,凭什么被资本如此青睐?

资本争相押注的,是一条可能挑战甚至替代当前主流大模型架构的技术路线。

过去几年,以ChatGPT为代表的主流大模型,大多采用自回归模型(AR)架构,按照从左到右的顺序生成词元。就像我们使用大模型时,可以看到它生成文字的方式是从左到右一个一个按顺序的“吐出来”。

扩散语言模型则颠覆了这种机制。它尝试同时更新多个位置,以减少逐词解码的限制。好处显而易见:不仅速度快,而且效率更高。

2026年5月,香港大学NLP实验室联合主管孔令鹏教授及其博士生龚珊三、叶佳成在深圳创立DiffuSpace。10月,公司推出总参数规模达350亿的新一代扩散语言模型Clover-35B-A3B-Preview,将dLLM从学术概念推向了工程化和商业化。

DiffuSpace联合创始人兼首席科学家龚珊三对创业邦表示,扩散语言模型与自回归模型短期内是分工关系,但长期可能走向替代。

在DiffuSpace的构想中,扩散语言模型的应用边界不止于文本生成。团队还希望进一步探索统一的扩散架构,将语言、视觉与动作能力融合在同一模型体系中,让模型既能理解和生成内容,也能理解环境,并与真实世界交互。

一家创业公司,真的有机会颠覆大模型沿用多年的底层架构吗?如果这条路线跑通,它又将为AI产业打开怎样的新空间?

做第一个“吃螃蟹”的人

做第一个“吃螃蟹”的人

2026年5月,孔令鹏、龚珊三、叶佳成等人在深圳联合创立DiffuSpace,正式将多年的科研积累转化为创业项目。团队核心成员主要来自香港大学。其中,孔令鹏担任联合创始人兼CEO,龚珊三担任联合创始人兼首席科学家,叶佳成担任联合创始人。

但是扩散智能DiffuSpace的创业故事,要从2022年的上海人工智能实验室讲起。

彼时,ChatGPT尚未问世,以Transformer为基础的自回归架构正逐渐成为自然语言处理领域的主流路线。而另一种被称为“扩散模型”的生成技术,已经开始在图像生成领域崭露头角。

龚珊三正是在这一时期接触到了扩散模型。本硕毕业于上海交通大学的她,此前主要从事自然语言处理相关研究。最初吸引她的,并不是明确的商业机会,而是对新技术的好奇。龚珊三希望探索,这套方法能否同样适用于文本生成?

在上海人工智能实验室期间,她结识了孔令鹏。孔令鹏拥有卡内基梅隆大学计算机科学博士学位,曾在Google DeepMind担任研究科学家,后来加入香港大学,现为香港大学NLP实验室联合主管,主要从事自然语言处理和机器学习研究。

彼时,孔令鹏正好在上海人工智能实验室组建一个新的NLP团队,龚珊三机缘巧合下参加了面试,之后便加入了孔令鹏的团队。

两人很快围绕扩散模型的文本生成展开合作,于2022年完成了DiffuSeq研究,尝试将扩散模型应用于序列到序列文本生成任务,即根据一段输入文本生成另一段文本,例如翻译、摘要等。2023年,龚珊三作为第一作者的DiffuSeq论文被人工智能国际顶级学术会议ICLR接收。这也是她与孔令鹏合作的第一个重要成果。

此后,孔令鹏邀请龚珊三到港大继续攻读博士学位。尽管当时已经获得一些北美高校的录取机会,龚珊三最终还是选择前往香港大学读博。

与此同时,ChatGPT的爆火改变了整个人工智能研究领域。随着Llama等开源大语言模型陆续推出,自回归语言模型的能力得到进一步验证,大量研究者和产业资源开始涌向这条已经显现商业前景的技术路线。

相比之下,扩散语言模型当时仍处于相对早期的探索阶段。已有研究大多局限于较小规模的模型,以及翻译、摘要等特定任务。它能否像GPT一样,通过扩大模型规模获得通用语言能力,尚无明确答案。

真正的转折,来自团队对Scaling的探索。

2023年,Llama等开源模型已经能够达到70亿参数规模。龚珊三意识到,“不能再局限于研究很小的扩散语言模型,这就不再有任何意义了。”

但让扩散模型具备Scaling能力,远比想象中困难。自回归模型已经积累了成熟的训练方法,而扩散语言模型需要学习更加灵活的文本生成顺序,训练复杂度更高。尤其是从零训练大规模扩散模型,需要消耗大量算力和数据资源。

从2023年9月开始,团队集中攻关这一问题,最初半年,始终没有取得理想的结果。龚珊三一度怀疑这条路线是否可行。“当时就在怀疑,我们是否在做一件根本就不可能做成的事情。”她说。

经过近一年的探索,团队终于找到了一条突破路径:不再从零开始训练扩散语言模型,而是利用已经完成大规模预训练的自回归模型作为起点,再通过持续训练,使其具备扩散式生成的能力。这意味着,模型可以继承已有自回归模型学到的大量语言知识,不必从头学习语言的基本规律,从而大幅降低训练资源消耗。

2024年10月,龚珊三等人公开发表了研究论文《Scaling Diffusion Language Models via Adaptation from Autoregressive Models》,将不同规模的自回归模型改造为扩散语言模型,其中最大模型达到70亿参数。这项研究随后被ICLR 2025接收。

随后在2025年4月,扩散智能的核心团队成员推出Dream 7B。该模型利用Qwen2.5 7B进行初始化,再通过扩散训练,在通用知识、数学和代码等多项任务中取得与同等规模自回归模型相当或更好的表现。更重要的是,Dream 7B进一步展现了扩散语言模型在全局规划和灵活生成方面的潜力。

在龚珊三看来,这次突破最重要的意义,是让研究者真正看到扩散语言模型有机会走向通用大模型,而不只是停留在解决特定任务的小模型阶段。“相当于在7B这个规模,真正地把扩散语言模型给走通了。”

伴随着Dream 7B发布,扩散语言模型逐渐获得学术界和产业界更多关注。Google、蚂蚁集团以及美国创业公司Inception等相继推进相关研究。扩散语言模型开始成为自回归技术路线之外受到关注的新方向。

今年10月,扩散智能进一步推出Clover(三叶)系列首款模型Clover-35B-A3B-Preview,将模型总参数规模扩大至350亿,并强化工具调用和智能体编程能力。这一次,Clover试图回答一个更根本的问题:当参数规模进一步扩大,扩散语言模型能否在保持生成速度优势的同时,达到甚至超越同尺寸自回归模型的性能?

扩散智能在官方发布材料中给出了肯定的答案:Clover在相关评测中展现出这一潜力。它证明,高速生成与高性能,可以共存于同一模型。

瞄准主流架构替代

瞄准主流架构替代

扩散语言模型,存在的意义到底是什么?

“你可以把它(扩散语言模型)理解成是一种自由度更高的语言模型。”龚珊三谈到,扩散语言模型能打破文字生成的固定顺序,让模型能够自主学习更合适的生成路径,从而提高并行计算效率。

与此同时,它还能够通过双向注意力机制,综合考虑当前词元左右两侧的信息。在龚珊三看来,这种能力有机会改善模型生成内容的整体一致性,也可能带来更强的规划能力。

更高的生成自由度,也带来了新的训练与部署课题。扩散语言模型放宽部分顺序约束后,需要学习更丰富的生成方式;在推理阶段,如何将并行生成转化为速度与成本收益,则取决于具体的硬件和服务场景。

龚珊三指出,自回归模型在低并发推理时,往往更容易受到内存带宽限制,GPU的计算能力未必得到充分利用。扩散模型可以在一次前向计算中同时预测多个词元,因而有机会利用这些计算资源,缩短生成时间。

这种特点使低并发、低延迟场景成为扩散模型值得关注的应用方向。当模型只服务一个或少量用户时,并行计算的优势更容易发挥;当并发规模扩大到数百个用户、计算资源逐渐饱和时,则需要进一步优化调度与部署配置。“我们可能是需要更多的算力,显存可以稍微小一点,但是算力要更多一点。”龚珊三说。

这种资源需求上的差异,也为软硬件优化提供了新的方向。现有AI推理生态主要围绕自回归模型发展,针对扩散架构的芯片配置、推理框架与底层算子仍有优化空间。生成提速能否转化为成本收益,需要结合并发规模、硬件利用率和服务目标具体衡量。

在龚珊三看来,扩散语言模型仍处于快速探索阶段。随着算法、推理系统和硬件适配协同推进,这条路线的效率潜力还有望进一步释放。

虽然目前自回归模型架构仍是大语言模型的主流,但是在龚珊三看来,未来两种架构会是替代的关系。“我觉得短期内我们是在做不同的分工,但是长期内就很有可能是一个替代的关系。”

在短期内,自回归模型仍然具有成熟的生态和大规模云端模型能力优势。在落地应用方面,扩散语言模型会优先进入对速度敏感、任务复杂度相对可控的应用场景,然后慢慢形成主流架构。

随着扩散模型规模扩大、能力增强,两种架构在更多应用中的竞争会进一步展开。

什么是率先落地的场景?

什么是率先落地的场景?

端侧AI是DiffuSpace目前最重要的商业化切入口之一。

所谓端侧AI,是指将模型部署在个人电脑、汽车或机器人等本地设备上,而不是完全依赖远程云服务器运行。龚珊三解释,选择端侧并非偶然,而是因为扩散语言模型的计算特点在这类场景中能够得到更好的发挥。

相比需要同时处理大量用户请求的云端服务,个人电脑和车载设备通常只需要响应少量本地任务,更不容易达到硬件计算资源的上限。因此,扩散模型可以利用并行生成能力,实现较低延迟和较快响应。

目前,DiffuSpace正在围绕个人电脑、智能汽车及实时生成式界面等方向推进合作。

在龚珊三看来,真正重要的是找到对速度足够敏感、能够体现扩散模型差异化优势的场景,而不只是追求模型的参数规模和评测成绩。

具身智能则是DiffuSpace正在探索的另一个重要方向。龚珊三认为,机器人同样可以被视为端侧AI设备。如果机器人能够在本地部署具有较强规划能力的模型,而不是每次操作都依赖云端计算,便可能获得更及时的响应。

不过,DiffuSpace未来希望探索的,是让语言模型作为机器人智能系统的核心,通过调用工具和控制接口来执行动作。

在她看来,语言模型在大规模预训练过程中获得的知识和泛化能力,有机会帮助机器人理解更多不同场景,而不只是依赖针对特定动作和环境采集的数据。

“当然,泛化能力并不是扩散语言模型独有的优势,自回归语言模型同样可以具备泛化能力。但是扩散架构可能带来的额外价值,主要体现在生成速度、响应延迟以及多步骤任务的整体规划上。”龚珊三认为这是扩散语言模型最主要的优势。

例如,在具身机器人放置物品时,如果模型只预测下一步动作,可能需要反复调整位置才能把东西放好;但是如果模型能够同时考虑未来多个动作及最终目标,就有机会减少不必要的试错,一步到位放置物品。

从更长远的方向来看,龚珊三希望通过统一的扩散架构,可以融合语言、视觉与动作能力。

目前不少多模态模型仍采用多个模块组合的方式:语言模型处理文字,视觉编码器理解图像,生成模型负责输出图片或视频。而扩散模型已经广泛应用于图像和视频生成。如果语言生成也能够采用扩散架构,便有机会在统一的模型体系中共同学习文本、图像、视频以及动作等多种信息。

她希望,未来扩散语言模型不仅能够回答问题,还能理解物理环境,预测未来可能发生的变化,并与真实世界进行交互。

科技巨头入局,中美发展线路的分野

科技巨头入局,中美发展线路的分野

2026年,扩散语言模型技术路线的发展明显提速。

一方面,模型参数规模不断扩大。蚂蚁集团旗下InclusionAI团队推出的LLaDA2.0,将扩散语言模型拓展至千亿参数级别,并在2026年陆续推出LLaDA2.1和LLaDA2.2,探索通过Token Editing(词元编辑)提高生成效率,以及通过编辑机制增强Agent工具调用能力。

另一方面,模型能力和生成效率开始同步提升。Google DeepMind于2026年6月发布DiffusionGemma,基于260亿参数的混合专家架构探索块级并行生成,在官方特定测试条件下实现最高约4倍的生成速度提升。美国Inception Labs则推出Mercury 3,宣称在大幅扩大模型规模后,依然保持每秒超过1000个Token的生成速度。

尽管中美企业都在探索扩散语言模型,但商业化路径已经出现了一定分野。

以美国市场最具有代表性的公司Inception Labs为例,作为较早将扩散语言模型推向商业服务的创业公司,Inception选择围绕Mercury系列建立模型API和企业服务体系,并逐步扩展至代码生成、语音交互、实时搜索、浏览器Agent和客户支持等场景。其商业化路径是通过将高速模型能力标准化,再通过API或企业部署提供给应用开发商,进而按照模型使用量获取收入。

2026年10月Inception发布的Mercury 3,已经提供公开API定价。其标准价格为每百万输入Token 0.20美元、每百万输出Token 0.70美元,推出时还提供阶段性折扣。公司还披露,早期客户已将模型应用于实时教育、网页导航及其他低延迟服务。

但是相比之下,中国AI大模型市场的开源程度较高,开发者可以选择的模型众多,模型调用价格竞争较为激烈。同时,国内大模型企业的算力资源和推理服务能力,与美国头部厂商相比也存在结构性差异。

打开网易新闻 查看精彩图片

中国有自己的产业优势,DiffuSpace选择从端侧切入,恰恰反映了这一差异。

龚珊三谈到,扩散智能选择在深圳作为创业地点,所在的大湾区聚集了大量消费电子、智能汽车、芯片及机器人企业,为基础模型与硬件终端的结合提供了产业条件。目前,DiffuSpace已经围绕地平线智能驾舱、AI PC以及实时生成式界面等方向推进产业合作。

其商业化策略现阶段不追求大规模云端API服务,而是优先寻找能够体现扩散架构低延迟优势的本地设备。相比云端同时处理大量用户请求,端侧设备通常服务于单个用户或少量任务,计算资源调度相对简单,也更容易发挥扩散模型并行生成的优势。

面对大型科技公司纷纷布局扩散语言模型研究的竞争格局,龚珊三认为,DiffuSpace的优势不仅来自学术研究积累,还体现在数据、模型训练算法、训练基础设施和推理基础设施四个层面。

“通过早期入局的先发优势,可以为DiffuSpace赢得更多赛跑的时间。”龚珊三说。

打开网易新闻 查看精彩图片