在AI领域，阶跃星辰以其惊人的速度和创新力，在短短两年内推出了16款多模态大模型，迅速在业界赢得了“多模态卷王”的称号。近日，阶跃星辰的创始人兼CEO姜大昕在接受采访时，深入分享了他对于AI未来的思考，尤其是多模态在通向通用人工智能（AGI）道路上的关键作用。
姜大昕强调，无论是从AGI的定义出发，还是从AI应用的实际需求来看，多模态能力都至关重要。他认为，AGI旨在模拟人类智能，这意味着它不仅要具备语言模态对应的符号智能，还需拥有视觉智能、空间智能、运动智能等。任何一个方向的短板，都可能阻碍AGI的实现。同样，从应用角度来看，智能系统只有具备了听、看、说等能力，才能真正理解用户环境，实现与用户的自然交互。
在AI技术演进的过程中，阶跃星辰始终认为，多模态是实现AGI的必经之路。姜大昕将AI技术的发展分为三个阶段：模仿学习、探索世界和归纳世界。在模仿学习阶段，模型从海量数据中学习多种模态的表征，统一表达多种模态是核心问题。探索世界阶段，模型需要复杂问题求解能力和慢思考能力，这些能力可以通过强化学习技术获得。归纳世界阶段，模型将逐渐具备自主学习能力，发现客观世界的规律。
阶跃星辰在多模态模型上的投入是显而易见的，他们几乎每个月都会发布一款基础大模型。例如，他们与Ace Studio联合开源的Ace-Step音乐大模型，参数量仅3.5B，却能支持19种语言，最快可在15秒内生成一首歌曲。他们发布的Step-R1-V-Mini多模推理模型，具备高精度感知能力，已在门店巡检、短剧审核等生产场景中得到了应用。
姜大昕特别提到了多模态理解生成一体化的技术路径。在语言层面，大语言模型已经能够完成理解与生成任务。然而，在多模态领域，由于图片、视频等模态的复杂度极高，理解生成一体化的难题尚待突破。姜大昕认为，生成需要理解控制，理解需要生成监督。目前，多模态模型仍处于“前Transformer”时期，尚未出现可拓展的模型架构。但阶跃星辰内部已有多个团队在探索这一方向，并开源了Step1X-Edit图像编辑模型，该模型已初步具备了一定的理解生成一体化能力。
在应用层面，阶跃星辰坚持超级模型+超级应用双轮驱动的策略。他们看到了智能终端Agent的潜力，认为多模态能力和慢思考能力使Agent能够感知环境、理解任务上下文，并处理复杂任务。目前，阶跃星辰的智能终端Agent已在手机、汽车、机器人等领域得到了应用。例如，OPPO手机上的“一键问屏”功能就使用了阶跃星辰的多模态模型，吉利的智能座舱则采用了他们的端到端语音交互技术。
对于AI的未来，姜大昕表示，阶跃星辰将继续坚持基础大模型的研发，追求AGI的初心不会改变。在当前的基础大模型格局中，阶跃星辰将多模态作为其差异化优势，积极探索多模态理解与生成一体化这一前沿方向。他们相信，这一领域存在着巨大的机会，将推动AI技术迈向新的高度。
