出品｜虎嗅科技組

作者｜宋思杭

編輯｜苗正卿

頭圖｜視覺中國

智源研究院，曾一度想走上那條OpenAI的路。

虎嗅獲悉，2024年以前智源內(nèi)部也討論過——是否要成立一個類似OpenAI的商業(yè)化子公司。但猶豫再三，他們還是決定回到初心：繼續(xù)做一家非營利的研究型機(jī)構(gòu)。

就像如今的Anthropic之于OpenAI，智源也孵化出了一批從核心團(tuán)隊走出的創(chuàng)業(yè)者。唐杰、楊植麟、劉知遠(yuǎn)——他們都來自智源“悟道”系列項目的核心成員；后來在2019年、2022年和2023年先后創(chuàng)辦了大模型公司。其中，智譜AI（創(chuàng)始人唐杰）與月之暗面（創(chuàng)始人楊植麟）如今的估值均已在300億元人民幣上下。

換句話說，智源雖不直接下場，卻成為了大模型六小龍背后持續(xù)的力量。“讓有商業(yè)化想法的同學(xué)去創(chuàng)業(yè)、智源提供學(xué)術(shù)與資源支持”智源研究院院長王仲遠(yuǎn)告訴虎嗅。而這種“成果孵化”的理念，也早已內(nèi)化為智源的制度邏輯。

不過，王仲遠(yuǎn)并非“悟道”時代的人物。他在2024年加入智源——那是“悟道”系列已暫告一段落的節(jié)點(diǎn)。此后，他提出了新的研究方向：“悟界”。其中，“悟道”與“悟界”的區(qū)別就在于，前者是大語言模型，而后者是多模態(tài)系列模型。

在王仲遠(yuǎn)看來，大語言模型的技術(shù)路徑已經(jīng)收斂，而多模態(tài)模型的路線仍未確定。他希望智源能在這個尚未被定義的領(lǐng)域里，找到屬于多模態(tài)時代的Scaling Law。

就在今年10月，智源發(fā)布了EMU3.5世界模型。王仲遠(yuǎn)稱，它已“具備Scaling范式的潛力”。

然而，值得注意的是，本次的世界模型之所以叫3.5而不是4，正因?yàn)檫@只是通向Scaling Law的半步，離真正的“Aha Moment”仍有距離。

成立七年來，智源經(jīng)歷了從“悟道”到“悟界”的兩次躍遷，它既是中國AI體系的底座之一，也是中國大模型公司的“原點(diǎn)坐標(biāo)”。但在這個越來越功利的AI時代，智源仍選擇保持一種非營利的倔強(qiáng)，它選擇繼續(xù)做那家“站在背后”的研究機(jī)構(gòu)，盡管這意味著會被更有資源的商業(yè)化公司所超越。

以下為虎嗅與智源研究院院長王仲遠(yuǎn)的對話實(shí)錄，有刪減：

智源拒絕做OpenAI

虎嗅：你2024年加入智源，在這之后智源都發(fā)生了哪些變化？

王仲遠(yuǎn)：我先介紹下個人背景。我職業(yè)生涯前半段在研究機(jī)構(gòu)，后半段在產(chǎn)業(yè)界，既經(jīng)歷了學(xué)術(shù)體系的嚴(yán)謹(jǐn)，也經(jīng)歷了企業(yè)競爭的復(fù)雜。

2000年代初，我進(jìn)入微軟亞洲研究院，在那里做了六年多研究，后來我去了美國，在Facebook工作。那次轉(zhuǎn)型對我非常關(guān)鍵——從純研究走向產(chǎn)業(yè)落地。

為什么會做出這樣的轉(zhuǎn)變？一方面是因?yàn)?012年深度學(xué)習(xí)進(jìn)入產(chǎn)業(yè)化階段，AI1.0的研究瓶頸基本被突破，產(chǎn)業(yè)界開始真正需要AI技術(shù)解決實(shí)際問題。另一方面，當(dāng)時我也感受到微軟在移動互聯(lián)網(wǎng)時代的轉(zhuǎn)型不夠成功，我希望能在一家更具創(chuàng)新精神的互聯(lián)網(wǎng)公司工作，于是去了Facebook。

從那之后，我的職業(yè)軌跡完全轉(zhuǎn)向產(chǎn)業(yè)——先后在Facebook、美團(tuán)、快手分別待了幾年。在美團(tuán)我匯報給王慧文，也是在那段時間里第一次真正理解“技術(shù)、產(chǎn)品與商業(yè)戰(zhàn)略”之間的關(guān)系。那時我組建了最早一批做AI與大模型的團(tuán)隊，后來其中不少人都成為了各公司大模型的核心技術(shù)負(fù)責(zé)人。

后來我加入快手，負(fù)責(zé)約兩千人的團(tuán)隊，也負(fù)責(zé)過超兩百億預(yù)算的業(yè)務(wù)。但與此同時我也意識到，做業(yè)務(wù)意味著背業(yè)績指標(biāo)，留給技術(shù)創(chuàng)新的空間會越來越小。而彼時AI進(jìn)入了一個新的階段——從深度學(xué)習(xí)過渡到大模型的AI2.0時代。我開始意識到，大模型的出現(xiàn)不僅是技術(shù)演進(jìn)，更是一次類似電力或互聯(lián)網(wǎng)級別的產(chǎn)業(yè)革命。

那時我就反思：如果未來二三十年都是AI驅(qū)動的時代，我希望自己能站在研究與創(chuàng)新的一線。

于是2024年我決定加入智源。智源的愿景非常純粹——成為人工智能創(chuàng)新的引領(lǐng)者，營造一個開放、開源的生態(tài)，讓技術(shù)真正造福全社會。這種非營利、長期主義的科研機(jī)制，對我來說非常有吸引力。

我也一直認(rèn)為，中國的AI研究機(jī)構(gòu)要敢于做“高校做不了、企業(yè)不愿做”的事。比如現(xiàn)在多模態(tài)模型的技術(shù)路線仍未收斂，未來能否找到新的Scaling范式，是值得長期投入的方向。這就是智源要承擔(dān)的角色。

虎嗅：你剛剛提到，自己過去在微軟、美團(tuán)、Facebook等公司，以及現(xiàn)在的智源研究院，周圍都有非常高密度的人才。你認(rèn)為，這類組織有什么共同特征？

王仲遠(yuǎn)：真正人才密度高的組織，往往都有一個共性：使命愿景驅(qū)動、價值觀一致。

早期的OpenAI之所以能聚集那么多頂尖研究者，是因?yàn)樗麄冏畛醯哪繕?biāo)極為宏大——希望推動通用人工智能的發(fā)展，并讓它造福人類社會。正是這種共同的理念，把一群志同道合的科學(xué)家聚攏在了一起。

當(dāng)然，隨著OpenAI的發(fā)展，它也逐漸商業(yè)化，這本身是行業(yè)規(guī)律。但我們不能忽視的是，它早期確實(shí)是靠使命和信仰凝聚起的。

智源也一樣。雖然我們是一家非營利機(jī)構(gòu)，但我們能吸引到很多放棄大廠“Special Offer”的年輕研究員，原因就在于，他們認(rèn)同智源的科研信仰與長遠(yuǎn)使命。

在企業(yè)里，他們可能很快要服務(wù)業(yè)務(wù)、跟著短期指標(biāo)走；但在智源，他們能真正投入到有長期科研價值、甚至能影響未來AI技術(shù)路線的研究中去。

這種吸引力，本身就是一種篩選機(jī)制。它篩掉了只追求物質(zhì)回報的人，留下了對技術(shù)和科研有信仰的一群人。這樣的人聚在一起，戰(zhàn)斗力往往非常強(qiáng)。

虎嗅：智源也孵化出了像智譜、月之暗面這樣估值數(shù)百億的創(chuàng)業(yè)公司。你是如何保證智源在支持創(chuàng)新的同時，不走上OpenAI那種越來越商業(yè)化的道路？

王仲遠(yuǎn)：這是一個非常好的問題。首先要承認(rèn)，兩者的社會環(huán)境不同。智源從成立那天起就是非營利性機(jī)構(gòu)，今年已經(jīng)七周年了。七年來，這種模式在中國的AI體系中證明了自己的先進(jìn)性與可持續(xù)性。

我們內(nèi)部確實(shí)討論過要不要設(shè)立商業(yè)化部門，或者學(xué)習(xí)OpenAI的“雙實(shí)體”模式。但最后大家一致決定——堅持智源的模式，保持非營利的純粹性。

我們形成了自己的“智源模式”：在科研上布局前瞻的技術(shù)路線，比如探索多模態(tài)世界模型、具身智能這些尚未收斂的方向；

在機(jī)制上允許年輕人“挑大梁”，甚至去外部創(chuàng)業(yè)。智源會提供支持，但不直接下場做企業(yè)；再來就是開源開放鏈接全球生態(tài)。

我們也建立了一個科研—孵化—成果轉(zhuǎn)化的閉環(huán)體系。智源通過早期孵化、后期股權(quán)退出等方式，獲得一定的造血能力，從而維持研究的長期獨(dú)立性。

但這套機(jī)制的出發(fā)點(diǎn)從不是盈利，而是讓我們更純粹地去做科研。

虎嗅：也就是說，智源在內(nèi)部鼓勵年輕人創(chuàng)業(yè)？

王仲遠(yuǎn)：是的，我們明確鼓勵。智源的“開源開放”理念體現(xiàn)在各個層面：我們做開源研究、開放合作、開放流動。我們的模型（比如Emu3.5）敢于完全開源；我們的科研人員可以自由流動，去企業(yè)、去創(chuàng)業(yè)，只要他們能延續(xù)這條技術(shù)路線。這種靈活性反而能保持整個機(jī)構(gòu)的生命力。

如果有一天，別人沿著智源開源的技術(shù)路線，做出了更好的模型，我們會非常開心。因?yàn)槟且馕吨覀冋嬲鸬搅恕翱蒲幸I(lǐng)”的作用——這也是智源存在的意義。

多模態(tài)的“Scaling”時刻

虎嗅：回到“悟界”系列。你說Emu3和3.5都是為了未來的多模態(tài)和具身智能做準(zhǔn)備。多模態(tài)主要依賴公開視頻、網(wǎng)絡(luò)數(shù)據(jù)，而具身智能更依賴真實(shí)的物理世界數(shù)據(jù)，這兩者在底層是相通的嗎？

王仲遠(yuǎn)：這是一個特別關(guān)鍵的問題。首先，我們要厘清什么是具身智能。過去一年多我最大的感受是——不同領(lǐng)域?qū)Α熬呱碇悄堋钡睦斫馔耆煌?/p>

做AI大模型的人會認(rèn)為，具身智能就是把一個“大腦”裝進(jìn)機(jī)器人身體；而傳統(tǒng)做機(jī)器人或強(qiáng)化學(xué)習(xí)的人，會把“具身智能”理解為讓機(jī)器人能站穩(wěn)、能抓取、能跳舞的端到端控制系統(tǒng)。

但在我們看來，那些都是“小數(shù)據(jù)”。即便你有幾百臺機(jī)器人采數(shù)據(jù)，從大模型角度看，依然遠(yuǎn)遠(yuǎn)不夠。這些數(shù)據(jù)只夠做局部的適配或遷移學(xué)習(xí)，不足以支撐智能的真正涌現(xiàn)。

所以我們提出要回到第一性原理。

人類之所以擁有智能，是因?yàn)槲覀兺ㄟ^視覺、聽覺、語言等多模態(tài)的長期學(xué)習(xí)，形成了對世界的理解——也就是“世界模型”。從嬰兒時期開始，人不是先從文本學(xué)習(xí)的，而是通過看世界、聽聲音、與人互動，逐漸構(gòu)建了空間、時間和因果的理解。

這就是我們在Emu3.5里想模擬的過程。

它并非簡單地在大語言模型上疊加圖像或視頻輸入，而是試圖像人類一樣“從多模態(tài)感知中學(xué)習(xí)”。

我們用了海量的視頻數(shù)據(jù)進(jìn)行訓(xùn)練，讓模型在視覺、語言、時間、空間等多維度上聯(lián)合學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明，隨著數(shù)據(jù)量的增加，模型的多模態(tài)理解能力顯著提升，尤其在圖像文字編輯等任務(wù)上，性能明顯超越了現(xiàn)有模型。

這證明了我們的假設(shè)：真正的智能，需要回到人類學(xué)習(xí)的路徑。

語言和文字固然重要，但人類并不是從語言開始學(xué)習(xí)的。現(xiàn)有多模態(tài)模型“先語言、后映射”的路線，也許只是一個“短平快”的解決方案，卻未必是通往通用智能的最終路徑。

Emu3.5的貢獻(xiàn)在于，它用第一性原理的方法論，走出了一條新的多模態(tài)學(xué)習(xí)路線。我們發(fā)現(xiàn)，當(dāng)模型在視頻序列中學(xué)習(xí)時間與空間關(guān)系后，它的智能水平不降反升，這種“涌現(xiàn)效應(yīng)”說明我們可能找到了更接近人類認(rèn)知的路徑。

虎嗅：你剛剛提到一個關(guān)鍵點(diǎn)——“Scaling范式”。能否解釋一下，EMU3.5現(xiàn)在處在什么階段？距離真正的“Scaling Law時刻”還差多遠(yuǎn)？

王仲遠(yuǎn)：我們把模型命名為“Emu3.5”，而不是“Emu4”，其實(shí)正是因?yàn)樗€在通往“Scaling Law”的途中。

目前Emu3.5的參數(shù)量大約在三百多億級別，相比語言模型的發(fā)展階段，大致相當(dāng)于GPT-3.5之前的水平。我們認(rèn)為它已經(jīng)接近多模態(tài)領(lǐng)域的“ChatGPT時刻”——也就是那種從研究模型過渡到可產(chǎn)品化模型的階段。

但要真正達(dá)到“Scaling Law”，還需要更大的數(shù)據(jù)規(guī)模和算力支持。現(xiàn)在我們用的視頻數(shù)據(jù)只占全網(wǎng)的不到1%，參數(shù)量也遠(yuǎn)未達(dá)到上限。如果有十倍的算力和資源，我們相信能訓(xùn)練出下一代模型。

只是，這可能更適合企業(yè)或資本參與推動?？蒲袡C(jī)構(gòu)的角色，是驗(yàn)證這條路線是否可行——而我們已經(jīng)驗(yàn)證了。

嚴(yán)格來說，我們現(xiàn)在找到的是“Scaling范式”，還未上升到“Scaling Law”。

后者需要數(shù)學(xué)公式去證明數(shù)據(jù)量、參數(shù)量與性能提升之間的定量關(guān)系；我們目前看到的是明確的正相關(guān)，但還沒把它形式化。

不論叫什么，它意味著一件事：我們相信多模態(tài)模型已經(jīng)出現(xiàn)了可持續(xù)的Scaling趨勢。

虎嗅：那在你加入智源之后，從EMU3到EMU3.5用了整整一年，這個進(jìn)度是在預(yù)期之內(nèi)的嗎？

王仲遠(yuǎn)：其實(shí)我們沒有設(shè)定明確的時間表。

實(shí)際上，模型在今年八月份左右就展現(xiàn)出很好的效果，我們對它也非常有信心。

從去年10月的Emu3到現(xiàn)在的3.5，我們花了大量時間解決核心技術(shù)問題——包括自回歸架構(gòu)的誤差累積、視覺token的表達(dá)方式、大規(guī)模視頻數(shù)據(jù)的構(gòu)造與配比等。這些問題看似細(xì)節(jié)，但每一個都影響模型的穩(wěn)定性和智能水平。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4805814.html?f=wyxwapp