|
一个从未见过监控画面的对话多模态大模型，竟比在监控数据上深耕多年的赵天注物传统小模型更懂场景逻辑。这并非科幻叙事，成多而是年坚2023年Om AI联汇的一次“无心插柳”，更是守押生CEO兼首席科学家赵天成博士坚信“多模态训练能为物理开放世界带来泛化性”的关键转折点。彼时，理A流式行业正狂热追逐以大语言模型为核心的对话生成式AI浪潮。 三年蛰伏，赵天注物该多模态模型已进化为VLX——全球首个面向物理AI的成多端侧流式多模态模型系列。VLX首创“端侧原生流式多模态”架构，年坚针对端侧算力约束进行Day 1级设计，守押生首次打通了“持续感知+精准定位+行动决策”的理A流式物理AI完整闭环。
VLX概览图 站在2026年夏天的对话节点，AI行业热度正从数字AI向物理AI转移。赵天注物尽管物理AI备受瞩目，成多但行业尚未收敛，多路线并存，距大规模生产落地仍有距离：以语言为中心的VLA、以像素为中心的视频生成、以3D结构为中心的仿真、以视觉表征为中心的JEPA……业界对VLA与世界模型谁是终极答案的争论仍在继续：是替代、并存还是融合？ 当行业还在争论时，Om AI联汇的VLX系列已完成从仿真实验到产业落地的商业闭环。通过赋予机器人、无人机、可穿戴设备、安防摄像头及AI PC等物理终端自主感知的“小脑”与认知决策的“大脑”，VLX推动物理终端从“被动执行指令”向“主动适应场景”跨越。
VLX架构图 这并非偶然，而是Om AI联汇多年专注后的必然。 2019年，赵天成从CMU语言技术所博士毕业，履历耀眼：其导师Maxine Eskenazi是对话系统开山鼻祖，90年代做出全球首个实用化对话智能体；赵天成本人则是实验室第三代系统的缔造者，2016年率先用神经网络将延续20年的系统改造为端到端生成式模型。当时，进入学术圈任教或加入大厂几乎唾手可得。 但他选择了第三条路——创业，且是一条当时鲜有人理解的路线：不做纯文本大模型，不追生成式AI热潮，而是死磕“视觉+语言”的流式多模态。即便在今天，这仍非主流。行业主流叙事是“离线抽帧”：将视频拆解为单帧图片处理，推理呈批量、离散、问答式。而赵天成从一开始就坚持“流式”：视频如水流般持续输入，AI自主持续观察，无需等待用户提问。
Flow推理速度优势 这是赵天成的独立判断。在CMU期间，他参与了雅虎10亿美元的多模态智能体项目，“这让我意识到多模态的价值上限极高，它让AI感觉像一个‘活物’，而非单纯的对话系统。”回国后，他未跟风国内扎堆的生成式对话赛道，而是坚定融合视觉与语言，“这是两大主模态，覆盖了至少90%的物理信息。” 五年间，从文本生成到文生图，从VLA到世界模型，AI赛道几轮洗牌。2023年语言模型大火，有人劝他“你以前也搞语言模型，为何不做？”每一轮都有资本和同行建议“转方向更快变现”。 “在物理AI爆发前，我们的技术并非最热门。”赵天成坦言，“总有更火的概念摆在前面。”团队中有人因信心动摇离开，但核心伙伴坚守。这群人多年如一日，围绕“V（视觉）”和“L（语言）”持续产出。 五年后，AI行业呼吁从“云端”回归“地面”，深入产业创造真实价值，物理AI成为最热概念。2026年上半年，全球物理AI单季度融资超64亿美元；工业机器人智能化、自动驾驶城市NOA普及等端侧终端快速渗透。在此浪潮中，VLX系列是少数跑在端侧的流式多模态模型，它回答了根本问题：物理世界的AI，究竟需要什么架构？ VLX系列是少数跑通三大闭环的公司：
VLX三层定义 当产业需求曲线与技术积累曲线在2026年交汇，“长期主义与产业拐点的双向奔赴”正式上演。物理AI从“概念炒作”迈入“场景验证”，赵天成团队显得从容。这不是追风者的故事，而是关于判断力、定力及验证“反共识”判断的商业样本。 以下是36氪与赵天成的对话实录（经编辑）：
Om AI联汇CEO兼首席科学家赵天成博士 物理AI的本质：模态、语义、几何、预测与决策36氪：今年物理AI很火，世界模型是热门路线，但派系林立。你如何看待？ 赵天成：物理AI是一个宏大主题。从模型角度看，无论何种路线，核心在于让AI理解世界，这非单点突破。正如李飞飞所言，三条路线最终可能会融合，而非离散存在。 在我们的定义中，物理AI必须具备四种能力： VLX中的“X”代表无限可能，涵盖上述四种能力。目前流行的“VLA已死，世界模型已来”多为炒作。视觉-语言-动作（VLA）作为概念永不过时，过时的是具体方法。将方法与概念挂钩是错误的。我们的理念是看本质：搞定语义、几何空间、感知规划及预测这四大核心模态，物理AI即至。 预测虽是热门维度，但难度极大，且建立在语义、几何等基础能力之上。 36氪：物理AI的第一性原理是什么？ 赵天成：取决于应用场景。Om AI联汇旨在打造能在物理世界中感知、决策、执行的智能体。希望无人机、机器狗、机器人等终端具备高智商，能交互并完成任务。关键在于实现目标所需的能力缺口。 目前语言交互已成熟，但在开放环境中，自主导航、灵巧操作及物体交互仍是难点。例如，物理交互对实时性要求极高，终端需有决策中枢快速响应。通过视觉中枢实时接收信息，决策中枢自主判断行动（如开门或说话）。 当前物理AI如同只有框架的大楼，缺砖少瓦，需产业生态协同完成。单靠一个模型解决所有问题不现实，也不符合第一性原理。人脑分区运作，语言模型在应用层也需分区分块，物理AI更复杂，需生态协同。
云端AI与终端AI的区别 36氪：不同路线在物理AI落地中的最大瓶颈是什么？ 赵天成：世界模型或云端模型有价值，但物理AI终局必然依赖强端侧智能。物理世界交互伴随严肃后果：代码错误可修正，但机器人卡机或摔倒后果严重，如同智驾失灵不可想象。未来物理终端将成为生活伙伴，若由单一云端大脑控制，如同科幻反派挟持人类，风险巨大。 因此，我们主张分布式智能：每个端侧具备独立、自主、本地快速响应的能力，形成稳定结局。这也是端侧价值的核心所在。 物理AI处于寒武纪，流式多模态是Om AI的基础能力36氪：如何看待物理AI的竞争格局？ 赵天成：物理AI类似2016年的深度学习初期，思路众多，问题待解，无唯一终局。当前处于“寒武纪”物种爆发期。物理AI机会巨大，绝非单一路径或单一载体（如机器人）所能涵盖，必将百花齐放。 技术侧，VLM多模态在感知、理解、推理上突破显著，但世界模型或物理交互方法尚不确定。当前处于从0到1的技术未规模化，又涌现0到0.5未解问题的交界点。底层突破与应用层均有机会。 36氪：Om AI押注流式多模态，是场景倒逼还是自主选择？ 赵天成：是自主选择。从问题本质出发，语言模型以Token（字符串）为计算单元，适合线性文本流。但物理世界原生输入是视频流。视频流含大量冗余信息，且动态对接物理世界。 人类视觉并非逐帧扫描，而是抓重点。物理世界交互需丝滑、快速响应。仅用文本Token处理多模态信息流并不合适，需更原生的理解方式。若用文本近似信息流，将回归笨拙、缓慢的旧交互系统。因此，流式多模态是重要基础能力，也是不可替代的底层技术。 36氪：物理AI是万亿市场，Om AI瞄准哪一部分？ 赵天成：瞄准“从成熟硬件向新兴本体纵深演进”的物理AI终端市场。物理AI落地与终端商业化成熟度正相关。
Om AI按硬件成熟度排序落地：先结合IoT摄像头、AI PC等成熟产品，再布局无人机和机器人。 “一脑多形”价值在于将成熟经验迁移至新本体。例如，机器狗数据少，但可复用百万级摄像头或PC的经验，实现良好起点，并通过新场景数据反哺。硬件与AI成熟度双向奔赴，形成真正的物理AI终端。 36氪：此次WAIC，Om AI的参展亮点是什么？ 赵天成：重磅发布VLX模型系列，这是过去一年多核心技术突破。同步展出不同场景落地的终端产品。 36氪：VLX实现更小模型更优效果，是架构优化的必然结果？ 赵天成：是的。Om AI具备基础模型架构创新能力，不受限于特定领域定制，打造通用模型以实现多场景泛化，同时针对特定能力定制加强。例如，老鹰捕猎与图书管理员对视觉需求不同。我们的架构创新旨在提升原生架构天花板，实现流式快速理解与推理，使其更适合物理AI任务。 基于多模态训练，带来开放世界泛化性36氪：公司布局物理AI的契机是什么？ 赵天成：原点在于2023年第三代模型发布。初期模型基于多媒体数据训练，场景偏媒体（如视频剪辑）。2023年，一用户提出将监控摄像头数据接入用于卫生管理。同行多认为无前景，因传统小模型泛化性差，渗透率低。 我们尝试后发现，多模态模型的泛化性远超小模型，意识到多模态训练能为开放世界带来刚性需求的泛化性。以此为契机，我们展开大量模型研发。 36氪：产品发布后上线体验平台，后续有开源计划吗？ 赵天成：有。我们高度重视开源。开源体现产品自信，证明进化速度快。用户反馈能揭示卡点，帮助产品更好融合。开源带来口碑、共识与反馈，增强市场信任，也是AI早期快速发展的驱动力。 36氪：模型从实验室到落地，有哪些有趣故事？ 赵天成：经历三个阶段： 36氪：主要落地哪些商业化场景？ 赵天成：核心策略：“围绕视频密度高、硬件成熟度高的场景层层推进”。 海外市场也是重点。中国产品在端侧多模态上有极大优势。纯数字空间海外产品强劲，但在物理终端场景下，中国具备优势，有望实现业务全球化。 36氪：商业模式思考？ 赵天成：AI商业模式需创新。模型更新快，用户愿付订阅费。未来物理AI可探索“结果付费”逻辑，按产生的价值（赚/省多少钱）采取分润模式。 36氪：许多物理AI公司未达PMF，Om AI如何实现亿级营收？ 赵天成： 先转数据飞轮，在物理AI中领先36氪：如何看待未来竞争？如何保持优势？ 赵天成： 36氪：公司经历从技术到商业再回归技术的转变，为何？ 赵天成：纯研究人员关注技术，但CEO需平衡技术与市场预期。市场化初期，模型似乎不重要，技术占比仅30%-40%。但这只是过渡期。客户最终为智能买单，核心仍是模型能力。若模型非最强，将失去核心竞争力。领悟此点后，回归第三阶段：花架子重要，但核心点必须最强，才能规模化。 36氪：从校园到现在，哪个决策最具转折意义？ 赵天成： 36氪：为何一开始坚定多模态方向？ 赵天成：CMU LTI是语言研究重镇，导师90年代做出首个实用对话智能体，第三代由我完成（2016年改为生成式模型）。博士期间做对话模型，感觉仅适用于聊天、陪伴等交互场景，离“活的”AI有差距。对话不产生直接价值。2017年雅虎多模态智能体项目让我看到多模态价值上限更高，决定融合视觉与语言。 跑得快、看得远、守得住6月27日至29日，Om AI连续发布VLX-Flow、VLX-Seek、VLX-Go系列模型。7月10日，再次发布VLX-Seek 1.5，专为无人机、机器人、机器狗、智能监控等真实具身场景进化。相比1.0，1.5在架构、训练数据、推理效率上系统升级，覆盖多种参数规模，兼顾轻量化端侧部署与高性能应用，在准确性、效率、可靠性及部署灵活性上全面提升。
VLX-Seek架构图
VLX-Go架构图 版本连续发布，密集却不仓促，源于多年流式多模态技术积累的自然释放。从CMU第三代对话系统到跑通物理终端的VLX模型，赵天成用多年时间完成完整商业验证：技术路线选择、产业拐点预判、端侧场景深耕、数据飞轮转动——每一环均经受市场检验。 这个关于“判断力+定力”的商业样本，核心启示很简单：在瞬息万变的AI时代，抵达终局者，不仅需跑得快，更需比市场更早看到未来，且从不偏离方向。 本文来自微信公众号“36氪”，36氪经授权发布。 |
