“可能不是最大的。”商汤联合创始人、首席科学家林达华在访谈中这样评价自家公司在大模型市场上的声量。但这家公司有一个坚持多年的习惯:直到今天,依然有20%的资源投入给没有任何产品出口的预研工作。
在《科技漫谈》栏目的一次访谈中,林达华从行业现状聊起,穿过商业化的验证,最后落在智能的边界上。贯穿始终的线索只有一个:那20%的资源,以及支撑它的判断——为什么有的路值得走得很长、很久,哪怕眼下仍未看见出口。
训练成本停不下来
大模型行业的钱,正在以一种停不下来的方式烧下去。行业里曾经有一个普遍假设:花巨大代价训出一个好模型,成本就能摊薄到之后的规模化服务里。
林达华指出,这个假设未必成立——问题不在模型不够好,而是“你不继续训下一个,别人就会超过你”。竞争逼着公司一轮接一轮地重训,训练成本因此停不下来,而且越滚越大。
卷参数这条路正在遭到反噬。他提到两个信号:一是模型的体量选择变得更务实,最近各家厂商均发布了Flash级别的中小模型,包括GLM 5.3 Flash、DeepSeek 4.1 Flash,谷歌和OpenAI也推出了同类规格的产品。林达华特别提到DeepSeek的表现:“4.1的Flash,它的性能水平是比4.0 Pro是要好的。”一个几百B量级、训练调优精良的模型跑赢上一代Pro,说明中等体量上的优化空间还远没有吃完。
二是预训练数据的质量被重新摆上桌面。当几千亿参数的模型在实战中跑赢了2万亿参数的对手,很多人开始回头检查自己的数据管线。林达华有一个形象的解释:“(数据里)有很多的杂质、很多的东西相互打架,使得中间的很多的效率就会被抵扣掉。”结果就是一个又贵又不理想的模型,参数堆上去了,效果没上去。
“当所有人很盲目地去做参数量的竞争,我觉得并不是一种健康的状态。”在他看来,行业正在回归理性:不再围着单一指标较劲,而是回到最终用户的价值上。
拼手速是另一种内卷的形态。美国的前沿实验室定义着SOTA的天花板,新模型一发布,国内往往在两三个月内涌出一批宣称采用同类方案的产品,抢占生态位。最近大热的RSI(递归自我改进)同样是一堆公司在同时开建。
“说实话,拼手速这个事其实是蛮累的。”林达华观察到,看好一个方向就全员涌入,很难形成长期价值。同一个生态位有十家公司同时抢占,先到者的红利也会被迅速摊薄。那长期竞争力靠什么?他的答案是:一条路上走得足够长、扎得足够深。
空间智能:Scaling Law失效的地方
那20%的资源,明确投向“没有任何产品作为出口”的工作。林达华确认,无论商汤面临着怎样的经营压力,这笔钱直到今天仍在持续,“在任何的时间,我们还是保留了一定的资源。”
这类工作的起点是追问为什么:当一个问题现有方法做不好时,追回到最原理的地方。商汤的研究方向之一,空间智能,就是这样被选出来的。
选型逻辑分两步。第一步,测当时最强的模型,找出它们做不好的事。第二步,往下再问一层,这些短板是不是加点数据就能补上的?如果沿着原路加数据就能做好,那它有应用价值,但撑不起原理性创新。只有怎么加数据都做不好的方向,才可能藏着真正的原理问题。
林达华指出,空间智能的“反常”在于,Scaling Law在这里失效了。在空间智能的相关任务上,商汤团队观察到的趋势恰好与Scaling Law相悖——数据加得越多,模型的表现越不稳定。
在当时的测试中,模型在perspective-taking(视角转换)任务上表现不尽如人意。人在空间中移动时,会自然预判所见的变化:走远一些,眼前的物体应当变小。但当时的多模态模型不具备这种预判——即便Google Gemini以原生多模态路线著称、已是其中表现最好的一个,同样无法判断物体在不同视角和尺度下会呈现什么形态。
“它能识别出那是一只黑羊,却回答不了换一个角度看、这只黑羊是什么样子。”团队继续往里添加相关数据,模型表现没有变好,反而“越来越错乱”:语义联系被不断加强,可这些数据之间缺乏空间上的关联,模型越来越依赖语义去解释它看到的一切。数据越多,固化越深,错得越稳定。
商汤今年年初发布空间智能模型时,这个方向还属于外界眼中的技术储备。大半年之后,行业开始追了上来。GPT-6发布后被社区广泛讨论的几点——Recurrent Transformer架构的采用、海量具身数据灌入语言模型后展现出的机器人驱动能力——都指向同一件事:多模态和空间能力正在进入前沿模型的核心地带。
在林达华看来,这对商汤意味着路线得到了验证:“GPT-6其实证明的,是我们做这个道路,肯定是有价值的。”商汤的资源与OpenAI差了数量级,但他相信,持续一两年的积累,会让商汤长出一些与行业其他团队不一样的东西。
有闭环才有迭代
回顾商汤把AI的技术判断变成产品和收入的过程,林达华是这样说的:商汤的路是走出来的,不是想出来的。
大模型时代,商汤交的第一笔“学费”,是一个名为“商量”的产品。2023年初推出时,它和其他聊天产品没什么两样。林达华曾把产品拿给太太试用,结果“商量”在推荐附近饭店这件事上,直接胡诌了一通。翻车不全是因为模型质量,对话产品的根基是点评、地图这样的信息基础设施,但那并非商汤的禀赋所在。
2023年底,商汤把大模型产品收敛到内容和交互,着眼于工作内容和娱乐内容两个方向。前者如今长成了办公智能体小浣熊——根据今年的中期业绩公告,这部分业务增长了六七倍;后者则长成了Seko。
Seko的打法,背后是“创作”和“生成”的差别。生成30秒的精美片段,和创作100集的短剧,这中间隔着剧本、分镜、人物设定和跨剧集的一致性。Seko把理解生成统一、图文交错思维这些技术用在创作流程上,底层渲染则借力Seedance等其他模型——单拼生成质量比不过,就把它变成自己工作流里的一环。据林达华透露,已有创作者用Seko做出了播放量过亿的短剧,今年这款产品的用户增长了7到8倍。
支撑这些产品选择的,是商汤关于闭环的方法论。林达华直白地指出,“所有事情,你需要有闭环才能够有效地迭代,否则只有刷榜,没有迭代。”今天能成为Benchmark上的冠军,下个月就未必是了,这种成绩留存不下来;真正留下来的是在用户那里创造的价值。
今年的商汤中期报告,给出了“首次盈利”的官方口径。然而林达华认为商汤真正关注的,始终是自身是否已经变得更加健康、更加有生命力,而业务的闭环迭代正是生命力的体现之一。1+X结构正是这个思路的落地:新业务从母体长出来,到市场上独立融资、独立求生,相当于将“闭环”从研发层面推广到了组织层面。
拼手速之外
长期竞争力的第一块拼图,林达华认为是开源。早在2018年,他就在MMLab推动开源了OpenMMLab,这个项目后来成为AI 1.0时代影响力最大的开源算法库,十几万个star、数百万开发者使用。
多年之后,同一套逻辑在大模型时代原样复现。开源的内生动力是影响力:影响力可以募资、可以招人,DeepSeek的示范让所有人看清了这条通路。客观上,这也把试错成本分摊给了整个社区——模型训练只占研发成本的一成左右,剩下九成是各种实验;开放权重让每家公司都能更快挑到前沿的技术配方。这也解释了为什么中国的总投入与美国差着量级,却能追得这么近。林达华说,“最担心的是不知道路在哪里。”路一旦可见,把细节填平是中国工程师的强项。
但开源解决不了跟风的问题。林达华直言,过去三年中国大模型的主流路径,是在美国开拓的方向上做优化和创新,产业价值很大,“但如果中国要做出更持久的贡献,肯定得走出来一些不一样的东西”。他以DeepSeek为正面案例:大范式上还是标准的LLM路线,但在架构效率上下的功夫非常深。
真正的分水岭,可能出现在后蒸馏时代。林达华判断,蒸馏这个话题已经过去了:存量的思维链题目已经构造完毕,接下来的瓶颈是产生新问题的能力——构造几千、几万乃至几十万个真实工作场景,让模型自己去探索、去完成任务。这件事的瓶颈其实并非算力。中国恰好握着一手好牌:生活和产业的多样性全世界罕见,工程师的储备全世界最厚。
近期备受关注的RSI正是着眼于此,但林达华强调,RSI只是智能成长的手段之一,瓶颈不在训练的自动化,而在进化的效率:机器获得一个有效的观察点,仍要跑海量训练;人掌握一项新技能,并不需要一场完整的训练。当前的AI在进化这件事上离人还有非常大的距离,这个秘密一旦被破解,“会很大程度上重新塑造AI发展和竞争的格局”。
他也不认为现状可以无限外推:粗放的资源消耗迟早撞上轨迹爆炸,现有路径能否走到终点,是个悬而未决的问题。至于拓展边界,他关心的第一个问题是:语言以外的模态在智能里到底扮演什么角色。他把希望寄托在多模态与空间的融合上——单纯做生成,提升的只是视觉质量;把空间感知能力融入思考过程,会让智能更加完整。
林达华说,他目前最重要的工作,是给年轻人创造环境,守护一个有生命力的组织。这也是商汤那20%资源的底层逻辑:积极播种,守护成长。
热门跟贴