作者 | 蔡芳芳 褚杏娟

本文為《2025 年度盤點(diǎn)與趨勢洞察》系列內(nèi)容之一，由 InfoQ 技術(shù)編輯組策劃。本系列覆蓋大模型、Agent、具身智能、AI Native 開發(fā)范式、AI 工具鏈與開發(fā)、AI+ 傳統(tǒng)行業(yè)等方向，通過長期跟蹤、與業(yè)內(nèi)專家深度訪談等方式，對重點(diǎn)領(lǐng)域進(jìn)行關(guān)鍵技術(shù)進(jìn)展、核心事件和產(chǎn)業(yè)趨勢的洞察盤點(diǎn)。內(nèi)容將在 InfoQ 媒體矩陣陸續(xù)放出，歡迎大家持續(xù)關(guān)注。

我們采訪了智象未來聯(lián)合創(chuàng)始人姚霆，他指出在多模態(tài)領(lǐng)域，深度 Scaling up 模型能力提升收益放緩，而廣度 Scaling up 會帶來更多驚喜，多模態(tài)能力也在重塑大模型推理過程。另外，2025 年的模型價格戰(zhàn)倒逼廠商三大加速：研發(fā)新模型搶占短暫的版本優(yōu)勢、提升推理速度、升級高性價比架構(gòu)降本。他認(rèn)為，低價趨勢 2026 年將延續(xù)，核心原因是市場遠(yuǎn)未飽和。結(jié)合公司情況，姚霆表示模型商業(yè)模式從賣 API、積分制轉(zhuǎn)向“按結(jié)果付費(fèi)”。下面是詳細(xì)對話內(nèi)容，以饗讀者。

1 多模態(tài)大模型的 Scaling up

InfoQ：Scaling up 是否仍是最佳路線？

姚霆：對于多模態(tài)大模型而言，Scaling up 有深度和廣度。深度 scaling up 就是類似于單一多模態(tài)任務(wù)的純粹模型參數(shù) scaling up 過程，我們會發(fā)現(xiàn)這種 scaling up 下模型能力提升收益放緩，并不是指數(shù)級的增長，與之搭配的還需要高質(zhì)量數(shù)據(jù)和架構(gòu)的“Scaling up”，而且盲目擴(kuò)增模型參數(shù)也會對推理 cost 帶來極大地負(fù)擔(dān)，所以我們在深度 scaling up 過程中除了模型性能之外更多地會去考慮訓(xùn)練和推理的 cost，期望達(dá)到極致的性能 - 效率平衡。

而廣度 scaling up 指的是從垂域場景和商業(yè)化落地的視角下去看 scaling up，即不同多模態(tài)任務(wù)之間的 scaling up，我們發(fā)現(xiàn)這種廣度上的 scaling up 會帶來更大的驚喜，例如在聯(lián)合架構(gòu)中去實(shí)現(xiàn)多模態(tài)理解和生成任務(wù)的統(tǒng)一，以及視頻生成和音頻生成任務(wù)的統(tǒng)一，衍生出類似音畫同步的特色。

InfoQ：MoE 架構(gòu)為什么會成為 2025 年的主流架構(gòu)？其在參數(shù)效率與推理成本間的平衡能力，是否徹底改變了大模型的開發(fā)與部署邏輯？非 MoE 路線的企業(yè)如何構(gòu)建差異化競爭力？

姚霆：稀疏 MoE 架構(gòu)的一大優(yōu)勢是較高的推理效率，盡管其模型參數(shù)量很大，但在推理過程中只有部分參數(shù)被激活，這樣既保持了高參數(shù)量帶來的模型學(xué)習(xí)能力，也在部署推理過程中表現(xiàn)出較高的效率。

而對于非 MoE 架構(gòu)，也就是參數(shù)稠密型的模型，雖然推理的性價比會比 MoE 架構(gòu)低，但是對于垂域任務(wù)，稠密型模型由于總參數(shù)量更小，部署更加靈活，也可以體現(xiàn)出較好的效果。

2 多模態(tài)大模型的代表性發(fā)展

InfoQ：2025 年多模態(tài)能力取得了哪些飛躍性發(fā)展？Nano Banana Pro 代表的圖片生成模型、OpenAI Sora、Google Veo 3 代表的視頻生成模型，分別做了哪些優(yōu)化得到了不錯的效果？

姚霆：2025 年多模態(tài)大模型能力有幾個代表性的發(fā)展：

1. 音畫同步生成，讓視頻從默片時代進(jìn)入了有聲時代；

2. 主體參考的一致性，實(shí)現(xiàn)了從片段化到連貫敘事的轉(zhuǎn)變，AI 漫劇因此迎來了井噴的爆發(fā)；

3. 運(yùn)鏡表達(dá)、表情演繹，讓視頻生成更具備影視表達(dá)，從“形似”到“神似”。

Veo 3 就在音畫同步上做的很出彩，而 Nano Banana Pro 則將主體參考一致性發(fā)揮到新的高度，因?yàn)槎际情]源模型，所以只能猜測在技術(shù)上不會局限于單一的 DiT 架構(gòu)，例如借助多模態(tài)推理和生成的統(tǒng)一（VLLM+DiT）實(shí)現(xiàn)更精準(zhǔn)的多模態(tài)內(nèi)容編輯，而將更多不同模態(tài)的 token（文本、圖像、視頻、語音等）融入到統(tǒng)一的架構(gòu)中則能端到端實(shí)現(xiàn)類似音畫同步的能力。

InfoQ：多模態(tài)能力是否會重塑推理？跨模態(tài)推理是否也成為必答題？預(yù)計(jì)推理能力的突破方向在哪里？

姚霆：2025 年多模態(tài)能力已經(jīng)在重塑大模型推理過程，從 DeepSeek OCR 中使用圖片來進(jìn)行長文本壓縮，到 Nano Banana 中直接生成解題過程的圖片，多模態(tài)能力已經(jīng)成為大模型推理能力中不可或缺的一部分。

多模態(tài)數(shù)據(jù)往往能提供比純文本數(shù)據(jù)更稠密、直觀和具備邏輯關(guān)聯(lián)的信息。目前多模態(tài)數(shù)據(jù)越來越多的引入，對于大模型結(jié)構(gòu)、訓(xùn)練方法以及數(shù)據(jù)三方面都會帶來新的挑戰(zhàn)。其中，大模型結(jié)構(gòu)要盡可能支持原生多模態(tài)的輸入或者輸出，對于模型的參數(shù)量上提出了更高的要求；訓(xùn)練方法上需要去平衡各種不同的任務(wù)，保證模型在不同任務(wù)上都達(dá)到一定的收斂程度；數(shù)據(jù)上則對數(shù)據(jù)的廣度和精度上又有了進(jìn)一步的要求，廣度上需要盡可能涵蓋需要的多模態(tài)推理任務(wù)，同時高質(zhì)量精品數(shù)據(jù)可以在訓(xùn)練后期提升推理能力。

InfoQ：從語言模型到多模態(tài)模型，再到世界模型，這個演進(jìn)的本質(zhì)是什么？您認(rèn)為世界模型未來發(fā)展趨勢如何？

姚霆：從語言模型到多模態(tài)模型，再到世界模型，演進(jìn)的本質(zhì)是“大模型對真實(shí)世界的建模能力升級”：語言模型是“理解人類符號”，多模態(tài)理解模型是“感知世界表象”，多模態(tài)生成模型則是“模擬世界表象”，而世界模型是“掌握物理規(guī)律和因果關(guān)系并與之交互”，這也是通往 AGI 的必經(jīng)之路。

因此，世界模型未來必將會在理解物理世界空間結(jié)構(gòu)的同時，提升對物理規(guī)律和因果關(guān)系的刻畫能力，而且通過與物理真實(shí)世界的交互實(shí)現(xiàn)從感知到?jīng)Q策的閉環(huán)。

3 “低價趨勢肯定會延續(xù)”

InfoQ：2025 年模型價格戰(zhàn)最關(guān)鍵的影響是什么？價格戰(zhàn)倒逼廠商做了哪些架構(gòu)演進(jìn)？低價趨勢在 2026 年是否會繼續(xù)延續(xù)？

姚霆：主要還是倒逼模型廠商去持續(xù)加速，一是加速研發(fā)新模型形成短暫的版本優(yōu)勢，二是加速模型的推理時間，時間就是金錢，三是加速模型架構(gòu)的升級，引入性價比更高的架構(gòu)設(shè)計(jì)來降低成本。低價趨勢肯定會延續(xù)，因?yàn)槭袌鲞€遠(yuǎn)沒有飽和。

InfoQ：2025 年在 B 端和 C 端，都有哪些創(chuàng)新的商業(yè)模式出來嗎？

姚霆：創(chuàng)新的商業(yè)模式是很難的，所以我覺得更多是一些特色吧。

B 端和 C 端的界限越來越模糊，總體來說都是內(nèi)容的生成者，真正的海量 C 端其實(shí)是內(nèi)容的消費(fèi)者，所以可以把兩個端一起談，商業(yè)模式的創(chuàng)新就是從售賣 API 提升到了售賣結(jié)果，以前 B、C 兩端都是積分制，本質(zhì)就是價值折算的積分，但是我們在不斷探索按照結(jié)果來付費(fèi)。

在移動端，我們也在突破過去 web 端復(fù)雜的積分邏輯對應(yīng)的不同的會員等級，pro、ultra 等等，我們只會把功能區(qū)分為會員功能和非會員功能，然后按需充值即可，不會再糾結(jié)額度來覺得是否續(xù)費(fèi)。

InfoQ：在您看來，2026 年大模型競賽的核心是什么？您認(rèn)為下一次“大模型代際飛躍”可能來自哪條技術(shù)路線？

姚霆：2026 年大模型競賽的核心，會從“技術(shù)能力”轉(zhuǎn)向“價值落地能力”，類似于比拼“行業(yè)收入規(guī)?！焙汀翱蛻袅舸媛省?。誰能更快將技術(shù)轉(zhuǎn)化為行業(yè)實(shí)效，誰就能占據(jù)先機(jī)。

下一次“代際飛躍”很可能來自兩個方向：

一是新穎的用戶交互體驗(yàn)，隨著基礎(chǔ)原子能力目前逐漸飽和，2025 年 Agent 相關(guān)的應(yīng)用出現(xiàn)了爆發(fā)式的增長，而 Agent 爆發(fā)的背后實(shí)際上代表了用戶在認(rèn)可大模型能力的同時又對于 AI 應(yīng)用的交互體驗(yàn)提出了更高的要求，讓大模型從單一的原子能力向完整解決方案提供者演變，一旦在用戶交互方式、交互體驗(yàn)上跨越式提升，就會帶來新的機(jī)遇。

二是專業(yè)級能力的大眾化，目前大模型能力對于專業(yè)從業(yè)者來說已經(jīng)達(dá)到一個很驚艷的程度，但是對于大眾來說還是存在一些使用上的“困難”，這種困難可能來自于高昂的推理成本，編寫專業(yè)級 prompt 的入門難度，以及缺乏大模型使用經(jīng)驗(yàn)以及思維，而下一次飛躍可能就來自于如何拉近大模型對于大眾的隔閡，出現(xiàn)真正的全民級 AI 應(yīng)用。

4 “模型和商業(yè)化一直會是兩個最大挑戰(zhàn)”

InfoQ：根據(jù)您的觀察，科技公司 2025 年面臨的壓力如何？對此采取了什么樣的應(yīng)對措施？員工們的狀態(tài)如何？

姚霆：對我們這樣的模型研發(fā)的公司來說，模型和商業(yè)化一直會是兩個最大的挑戰(zhàn)，這兩個挑戰(zhàn)匯集在一起就是對于底層模型架構(gòu)的突破變成必選項(xiàng)，模型公司不能像過去那樣不斷的優(yōu)化數(shù)據(jù)和推理來解決用戶的問題，而是要在架構(gòu)上做出突破，敢為人先。

非常開心的是我們的員工狀態(tài)始終保持戰(zhàn)斗狀態(tài)，因?yàn)槲覀儾灰?80 ->85，而是要 120 分的創(chuàng)新和顛覆，同時模型團(tuán)隊(duì)也和業(yè)務(wù)團(tuán)隊(duì)有了更多的協(xié)同，這種協(xié)同對于模型團(tuán)隊(duì)的能力落地起到非常重要的作用。

InfoQ：經(jīng)過一年競賽，國內(nèi)前沿 AI 水平取得了怎樣的成績？是否趕上了硅谷科技公司？

姚霆：在多模態(tài)大模型這個賽道，我覺得國內(nèi)外是百花齊放，例如我們在 2025 年 4 月的圖像模型 HiDream-I1 開源打響了國內(nèi)多模態(tài)生成式大模型登頂國際競技場的第一槍，同時大家也開始重視了多模態(tài)生成式大模型的競技場，這些過去只有硅谷科技公司的模型名單里開始快速出現(xiàn)國內(nèi)的各家模型。

InfoQ：您認(rèn)為，2026 年的技術(shù)賽點(diǎn)可能是什么？您會重點(diǎn)關(guān)注哪些行業(yè)和技術(shù)？

姚霆：技術(shù)賽點(diǎn)從多模態(tài)模型架構(gòu)上來說我覺得還有比較長的路，但是在應(yīng)用上我覺得技術(shù)的賽點(diǎn)是多模態(tài) agent 的成熟落地。2025 年上半年的 Manus，下半年持續(xù)火熱的 vibe coding 都是大語言模型的應(yīng)用落地的典型案例，多模態(tài)模型看似比大語言模型更解決用戶，但是生圖生視頻場景還沒有出現(xiàn)真正技術(shù)應(yīng)用上完全解決用戶痛點(diǎn)的 agent，所以我們也會更關(guān)注多模態(tài) agent 。

加入InfoQ年度盤點(diǎn)讀者群，第一時間獲取盤點(diǎn)文章更新

技術(shù)人的年度儀式感！ 年度盤點(diǎn)與趨勢洞察 啟動！

《2025 年度盤點(diǎn)與趨勢洞察》由 InfoQ 技術(shù)編輯組策劃。覆蓋大模型、Agent、具身智能、AI Native 開發(fā)范式、AI 工具鏈與開發(fā)、AI+ 傳統(tǒng)行業(yè)等方向，通過長期跟蹤、與業(yè)內(nèi)專家深度訪談等方式，對重點(diǎn)領(lǐng)域進(jìn)行關(guān)鍵技術(shù)進(jìn)展、核心事件和產(chǎn)業(yè)趨勢的洞察盤點(diǎn)。

力求以體系化視角幫助讀者理解年度技術(shù)演化的底層邏輯、創(chuàng)新方向與落地價值，并為新一年決策提供參考。內(nèi)容將在 InfoQ 媒體矩陣陸續(xù)放出，歡迎大家持續(xù)關(guān)注。