2025年，全球AI大模型競爭持續提速，底層技術的競爭焦點也逐步轉移。

作為新型研發機構，北京智源人工智能研究院（BAAI）見證了技術的關鍵轉折。2020年，智源最早推動了國內大語言模型的研發和開源。2024年初，智源開始全面聚焦多模態、世界模型、具身智能等下一代技術的研發。

近日，《中國新聞周刊》專訪了智源研究院院長王仲遠，探討技術轉折點上的挑戰、機遇與中國路徑。

多模態是新戰場

《中國新聞周刊》：今年，AI大模型領域發生了哪些變化？

王仲遠：今年，大語言模型的競爭已步入相對成熟的階段，產業化全面推進。上半年，我們清楚地看到，國內從事基礎大模型研發，尤其是專注于大語言模型訓練的公司在快速收斂，這有助于減少重復投入，避免資源浪費。

近期，尤其在10月份之后，國內外涌現出一系列多模態模型，相關技術實現顯著突破，引領新一輪發展浪潮。多模態模型已成為新的核心戰場，關鍵挑戰在于如何在一個模型內實現跨模態的理解與生成，世界模型也開始涌現。整體看，AI技術仍在加速發展。

這一趨勢符合技術演進的規律。可以預見的是，大語言模型在數據使用方面會面臨越來越多的約束，模型性能提升的速率也明顯放緩。目前，全世界仍有海量圖像、音頻、視頻、3D及傳感器數據等多模態數據尚未被有效地開發用于訓練。

當前，AI正加速從數字世界邁向物理世界。多模態的發展將為AI下一代的技術帶來重大突破，與硬件系統相結合，催生具身智能；與微觀世界研究相結合，則推動AI for Science（AI4S，AI驅動的科學研究）走向深入。

《中國新聞周刊》：多模態模型競爭加劇后，中美競爭形勢會如何變化？

王仲遠：在谷歌相繼推出Gemini 3 Pro、Nano Banana Pro等模型后，谷歌在多模態智能方面展現出較為成熟的能力。這種能力依賴于谷歌強大的數據和工程體系，背后是一個復雜的系統，而非單一模型的結果。在進入垂直領域做定制化應用時，模型仍面臨一定的適配難度。

坦率地說，中國同美國在多模態模型方面的差距正在被拉大，但我認為這只是短期性的。去年，我們普遍認為中國大模型整體落后于美國2—3年；到今年年初，這一差距就縮短至兩三個月。隨著國內外頂尖模型的迭代，這種差距是動態變化的。

在產業的“水面”之下，中國仍然有眾多優秀的科研機構和企業在不斷追趕，探索模型架構的創新。這是一場馬拉松式的競賽，需要耐心和持續投入。我們既要正視差距，也要對中國的創新生態有堅定信心。

《中國新聞周刊》：產業落地的挑戰與機會在哪里？

王仲遠：無論是B端（企業級）還是C端（消費級）用戶，用戶對產品的效果與體驗的要求非常敏感。現在已有很多產品在背后集成了Agent（智能體）能力，通過提升用戶的工作效率，實現了較高頻次的使用。但是，真正意義上的“超級C端應用”尚未出現，這至少需要達到95%的用戶滿意度。它不能只停留在UI（用戶界面）創新上，更需要在模型核心能力、使用體驗方面實現實質性突破。

對于創業公司而言，關鍵是要找準自身定位，避免一擁而上、一哄而散。應明確在哪些核心技術或垂直場景上要保持自身特色和競爭優勢，聚焦特定領域，清楚規劃B端或C端的商業化路徑。目前，很多基于大語言模型的Agent產品在能力上仍有不足，多模態模型技術本身尚未收斂，Agent的發展仍處于探索期，真正的爆發時刻尚未到來。

中國的開源生態已經起到支柱作用

《中國新聞周刊》：開源怎樣改變了中國模型的生態位？

王仲遠：今年，中國企業提供的開源生態在全球起到了支柱性作用，尤其是DeepSeek、阿里的通義千問（Qwen）等產品級的大語言模型。以智源研究院為例，過去兩年，我們開源了200多款模型，100多個涵蓋語言、語音、圖像、視頻和具身智能等多種模態的數據集，模型的全球下載量達到6.9億次，剛在11月底開源的一個具身數據集下載量已超百萬次。

開源生態是否能構建全球影響力，關鍵在于能否解決用戶或開源社區的痛點問題，這是一個更接近市場化的競爭機制。

計算機、AI領域的快速發展很大程度上得益于開源開放，從業者往往愿意第一時間公布成果。每個人的工作都可以建立在“巨人的肩膀”上，基于別人的開源工作做改進，再把自己的成果進一步開源，形成良性循環。很多全世界的頂尖科學家都非常支持開源開放，認為這能惠及全行業的發展。

由于資本和政策導向，美國的頂尖模型以閉源為主。中國的資源比之海外相對有限，不得不用更加高效能的方式來使用資源、訓練模型。開源的選擇，是現實環境和工程師優勢共同作用的結果。不過，坦誠來說，由于模型訓練成本很高，選擇開源的企業會面臨如何保持競爭優勢，怎樣影響ROI（投資回報率）等挑戰。

過去幾十年，開源和閉源生態一直是共存的，例如，電腦操作系統Windows是封閉生態，Linux是開放生態；移動操作系統iOS是封閉生態，安卓是開放生態，大模型生態也可能呈現類似格局。

世界模型帶來全新起跑線

《中國新聞周刊》：李飛飛、楊立昆（Yann LeCun）等巨頭都在探討的世界模型是什么？與傳統模型區別的關鍵是什么？

王仲遠：過去幾年，隨著具身智能、智能駕駛等技術等快速演進，除了理解文本、生成內容，AI還需要具備對真實世界感知和推理的能力。世界模型跟很多技術概念都有相關性，例如多模態、視頻生成、空間智能等。回歸本源，世界模型應當反映了智能體對在世界中生存的一種基礎感知。

今年10月底，智源發布了原生多模態世界模型“悟界·Emu3.5”，基于統一的自回歸架構，提出了世界模型的一種構建路徑。其中展現出的世界模型核心能力包括連貫地推演長時程的視覺敘事、在虛擬探索中保持時空一致性，甚至為開放世界中的具身智能體規劃行動。

“下一個狀態”應如何展示？我們認為它應該是包羅萬象的，體現為對全模態輸入的統一處理。舉個例子，人腦僅憑觸覺就可以判斷一個人出現了流感相關癥狀，并據此做出服用藥物或去醫院的決策，這時，人腦的世界模型處理的是觸感這一模態，僅靠視頻生成無法達成。

由于資源有限，我們目前更多只是在驗證并拓展這條技術路線的可行性。世界模型的定義和技術路線還沒有形成共識。目前，中國和美國的研究都處于極早期階段，探索活躍程度都很高，處于同一起跑線上。

《中國新聞周刊》：世界模型的研究下一步面臨哪些挑戰？

王仲遠：我們提出的多模態世界模型技術路線，可以復用大語言模型的基礎設施，但即便如此，研發與訓練成本仍然很高。一方面，我們要持續推進訓練與推理的效率優化；另一方面，我們要去探索更具顛覆性的模型架構。

目前，訓練大模型的能耗可能堪比一座小型城市的發電量，這與僅消耗10—20瓦功率的人腦運行機制形成鮮明對比。我們正從神經科學與人腦學習機制中獲得啟發，探索改變大模型訓練方式的新路徑，但相關研究仍處于特別早期，距離形成可落地的系統與產品還需要時間。

記者：王詩涵（wangshihan@chinanews.com)

編輯：閔杰