在AI領域，階躍星辰以其驚人的速度和創新力，在短短兩年內推出了16款多模態大模型，迅速在業界贏得了“多模態卷王”的稱號。近日，階躍星辰的創始人兼CEO姜大昕在接受采訪時，深入分享了他對于AI未來的思考，尤其是多模態在通向通用人工智能（AGI）道路上的關鍵作用。

姜大昕強調，無論是從AGI的定義出發，還是從AI應用的實際需求來看，多模態能力都至關重要。他認為，AGI旨在模擬人類智能，這意味著它不僅要具備語言模態對應的符號智能，還需擁有視覺智能、空間智能、運動智能等。任何一個方向的短板，都可能阻礙AGI的實現。同樣，從應用角度來看，智能系統只有具備了聽、看、說等能力，才能真正理解用戶環境，實現與用戶的自然交互。

在AI技術演進的過程中，階躍星辰始終認為，多模態是實現AGI的必經之路。姜大昕將AI技術的發展分為三個階段：模仿學習、探索世界和歸納世界。在模仿學習階段，模型從海量數據中學習多種模態的表征，統一表達多種模態是核心問題。探索世界階段，模型需要復雜問題求解能力和慢思考能力，這些能力可以通過強化學習技術獲得。歸納世界階段，模型將逐漸具備自主學習能力，發現客觀世界的規律。

階躍星辰在多模態模型上的投入是顯而易見的，他們幾乎每個月都會發布一款基礎大模型。例如，他們與Ace Studio聯合開源的Ace-Step音樂大模型，參數量僅3.5B，卻能支持19種語言，最快可在15秒內生成一首歌曲。他們發布的Step-R1-V-Mini多模推理模型，具備高精度感知能力，已在門店巡檢、短劇審核等生產場景中得到了應用。

姜大昕特別提到了多模態理解生成一體化的技術路徑。在語言層面，大語言模型已經能夠完成理解與生成任務。然而，在多模態領域，由于圖片、視頻等模態的復雜度極高，理解生成一體化的難題尚待突破。姜大昕認為，生成需要理解控制，理解需要生成監督。目前，多模態模型仍處于“前Transformer”時期，尚未出現可拓展的模型架構。但階躍星辰內部已有多個團隊在探索這一方向，并開源了Step1X-Edit圖像編輯模型，該模型已初步具備了一定的理解生成一體化能力。

在應用層面，階躍星辰堅持超級模型+超級應用雙輪驅動的策略。他們看到了智能終端Agent的潛力，認為多模態能力和慢思考能力使Agent能夠感知環境、理解任務上下文，并處理復雜任務。目前，階躍星辰的智能終端Agent已在手機、汽車、機器人等領域得到了應用。例如，OPPO手機上的“一鍵問屏”功能就使用了階躍星辰的多模態模型，吉利的智能座艙則采用了他們的端到端語音交互技術。

對于AI的未來，姜大昕表示，階躍星辰將繼續堅持基礎大模型的研發，追求AGI的初心不會改變。在當前的基礎大模型格局中，階躍星辰將多模態作為其差異化優勢，積極探索多模態理解與生成一體化這一前沿方向。他們相信，這一領域存在著巨大的機會，將推動AI技術邁向新的高度。