商湯多模態模型 突破物理難題
商湯科技與香港科技園公司於週二（12月10日）合辦「2025商湯科技AI論壇」，請來不同專家，發表關於AI大模型發展、商業應用、未來機遇與挑戰的洞見。
商湯科技聯合創始人、首席科學家林達華教授向本港傳媒分享，集團即將推出的全新產品、最新科技優勢，以及未來應用場景。
OpenAI於2022年，發布大語言模型ChatGPT 3.5，引爆人工智能熱潮，真正讓人感受到AI正在改變人類生活。
ChatGPT、DeepSeek是一般人最常用的生成式AI工具，方便搜尋資料，以及生成文字、圖片內容等。
首個開源世界模型
今年AI代理（AI agent）成為熱門主題，AI不再停留於完成簡單的工作，而是能夠組成團隊，分工合作，共同完成相對複雜的工作。
商湯科技聯合創始人、首席科學家林達華教授說：「展望未來， AI將會由一個初級從業員，變成一個高級從業員，他懂得自我演進，提升自己的技能；不單止取代一個人，而是一個團隊，將各種工作整合一起，並且透過回饋不斷優化。」
所謂AI，其實是模仿人類的智慧，人類除了懂得了解語言外，還有其他不同的感知能力，各國的科技巨擘都在各個範疇爭先研發。
商湯科技將於下週四（18日）發布「開悟」世界模型3.0，並且向全行業開源，成為內地首個開源同時商業落地的世界模型。
「開悟」世界模型3.0是基於創新的「多模態理解（同時理解文字、影片、圖像、聲音等資料）——生成——預期」一體化架構。
「『開悟』世界模型3.0可以協助處理多種模式的文檔，例如一份報告包含圖像及文字，可以同時處理。」
例如在醫療的場景，需要結合各種檢查的圖像、病歷，以及醫生與病人之間的互動，要將所有資訊結合一起整理，才能夠完成更加複雜的任務。
「開悟」世界模型3.0破解物理因果一致性難題，可以生成多視角時空一致、長時間互動、1080P高清視頻，甚至可以在動態及靜態互動場景下，實現場景精細可控、自由編輯和調整，完成各類具身（指擁有實體，例如機械人或機械狗）智能場景一鍵生成，和多樣性場景可控生成。
林達華教授在論壇上展示一條在AI短片創作平台Seko生成的視頻，由兩隻貓咪表演棟篤笑，效果自然逼真。
現時主流的模型，平均每小時能夠生成20秒至80秒的視頻，至於Seko可以即時生成高達3,600至4,500秒的視頻。
以最高效率訓練AI
對比其他公司推出的多模態模型，商湯科技擁有幾個優勢，首先是算力，因為集團早於2018、2019年間建立人工智能計算中心，至今仍是亞洲最大的人工智能計算中心之一，能夠以最高效率訓練AI。
其次，商湯科技很早便開始發展視覺相關技術，擁有大量真實場景的數據，而這些數據很難在互聯網上大規模地獲取，所以集團在視覺計算方面擁有優勢。
「所謂多模態模型，就是將其他感知能力，與大語言模型連結，包括視覺模型，但並不是單純將眼睛和腦袋連接一起，而是底層架構中每個模組都能同時處理視覺和語言，我們在這方面的底層架構擁有優勢。」
大語言模型經已成為數碼世界的工作助手，包括數據分析、調研報告及軟體開發等。
下一步將會實現物理世界的具身智能，能夠更大量地應用於工業製造、智能駕駛、家居服務及養老陪護等方面。
對於圖像細節和空間結構的精準理解，是AI成為可靠助手的關鍵能力，這需要多模態架構的提升，不過這方面仍在起步階段。
「這些模型發展的初階是基礎能力訓練，即時指引跟隨，能夠理解人類的說話，然後完成工作。但在不同行業的場景，由於需要進行準確的判斷，需要依賴行業的專業人士，提供數據進行訓練。」
靠專業數據進行訓練
假設基本能力的平均分是60分，或者可以做到70分、80分，但是在專業的場景，模型的得分必須達到99%以上，這樣才能夠讓人們放心使用，之間這段距離，必須依靠專業的數據進行訓練。
AI現時具有增強學習（Reinforcement Learning）的能力，每當AI完成一件工作，便能夠獲得回饋，到底是做得好與不好，這些回饋成為AI提升的關鍵。
以教育場景而言， AI協助改卷、打分，基本上已經相當普遍，因為相對容易獲得回饋。
其他場景，例如機械人，是否能夠完成拿起物件、到達目的地等工作，這些回饋相對容易獲得；在醫療、營銷推薦方面，也是比較容易獲得回饋。
至於AI生成的金融諮詢報告，到底寫得好與不好，需要專業人士詳細了解，才能作出回饋，由於回饋較難獲得，所以這方面的落地時間較長。
現時推出的多模態架構，只能實現淺層視覺感知，思考由純文字驅動，大多無法理解複雜的空間結構，例如數不清楚手指的數目、無法了解立體空間的關係。
商湯科技已找到解決這個問題的技術路徑，預料未來一至三年，將會出現不同場景的應用，令相關技術快速滲透及落地。
不斷升級機械人大腦
「截至目前為止，每類機械人，只是懂得做一種工作，需要完成複雜工作的話，便需要大量機械人，但這並不符合現實，所以最終需要綜合形式的機械人。機械人只需要一個大腦，這個大腦可以隨時升級，不斷提升能力。」
商湯科技設有一個名叫「悟能」的具身智能平台，將集團旗下在不同領域的技術能力集合一起，然後不斷將大腦升級。
AI的角色是取代枯燥無味的重複性工作，然後解放人類的時間，發揮人類最重要的能力。
即使AI在醫療這個領域，能夠做到99分，但並不代表不需要人類的醫生。
「在AI的輔助之下，同一個醫生可以處理更多情況，包括進行更加深層次的思考，處理各種奇難雜症。」
為百姓之日用
在金融分析的層面， AI可生成詳細的報告，集合各種資料，但是欠缺高層次的分析及洞見，現階段AI與人類深層次的想像力，仍有一段距離。
在駕駛的領域，現時是一個人駕駛一部車，將來人類不需要在車上，而是在後台，一個人同時駕駛多部汽車。
美國的科技公司，例如OpenAI及Google，他們每次的發布會，都是提及AI在不同考試中取得的分數。
「商湯科技秉承AI是為百姓之日用，我們非常專注價值落地，這與外國的bench marking方式完全不同，我們非常強調工業紅線，即使模型取得多少分，如果未達到實用水平，基本上不可以給人用，無法作商業落地，所以必須突破工業紅線，才能夠正式落地。」
相信讀者都用過ChatGPT或DeepSeek這類大語言模型，發問之後，系統會自動生成答案，這種一問一答的模式，其實並不是終結。
例如在生成視頻的場景，通常不會預期第一刻立即達到100分，而是生成初稿，然後與人類互動，在不同地方進行修改，共同創作，令AI變成一個助手，在工作的過程之中，與人類交流，最終完成工作，這才是最重要的地方。
「每年生成式AI都有相對較大的收入增長，我們希望未來更多商業落地場景，增長速度會更快。」林達華教授說。
採用國產芯片比例提升
AI需要算力，尤其是芯片，但是美國限制對華出口芯片，對內地的AI發展造成障礙。
「我們已經超前部署，早於六年前已開始使用國產芯片，包括寒武紀、華為，當然亦有使用輝達的芯片。」林達華教授說。
商湯科技的產品與國產芯片適配擁有一套方法論，確保表現能夠達標，在供應鏈上，具有相對較強的風險抵禦能力。
現時國產芯片佔商湯科技整體算力比例達到雙位數字，而且比例不斷上升。
