多模态涌现时刻将至，商汤首席科学家谈AI新方向

商汤联合创始人、首席科学家林达华近日接受36氪专访，明确表示多模态的“涌现时刻”将在未来一两年内到来。他同时阐释了公司为何将原生多模态作为长期方向，并指出Coding能力强只是智能提升的结果，智能的核心在于长程思考与执行，而非编码本身。目前Coding Agent已跑通商业闭环，Anthropic年化收入截至7月底超650亿美元，约为2025年底的7倍，但林达华认为，AI和AGI的空间远不止Coding。

针对DeepSeek创始人梁文锋将多模态视为“组件”的观点，林达华表示理解，但强调商汤面对办公、医疗、机器人等场景，视觉信号不可或缺，视觉与语言联合建模是AI进入真实世界的基础。商汤也做Coding，但不作为唯一主攻方向。

英伟达近期发布世界基础模型Cosmos 3，将视觉推理、环境模拟与动作预测统一架构。林达华认为各公司选择不同，无对错之分。

原生多模态：从视觉起家到统一架构

商汤从计算机视觉起家，多模态贯穿其模型矩阵：SenseNova 6.8系列负责长程任务规划与多Agent协作；U系列为原生理解生成统一模型，聚焦视觉理解、生成与编辑。今年4月发布并开源日日新U1，去除独立视觉编码器，统一处理语言与视觉；近四个月后推出U1.5 Lite，扩展连续编辑能力。

业绩方面，商汤2026年中期收入29.1亿元，同比增长23.4%，生成式AI收入23.3亿元，占比近八成，并首次实现国际财务报告准则下盈利。

训练难点与产品定位

林达华指出，原生多模态训练难点在于数据配比与强化学习，存在“对齐代价”，需大量对照实验。公司先用8B参数轻量模型迭代，跑稳架构后再扩大规模。

U系列先解锁图像生成，强调“先理解再生成”，并引入持续编辑能力，改变过去“抽卡”式生图流程。U1.5提升文字生成与审美，请设计师参与优化。林达华认为，持续编辑是基础能力，可串联理解、生成与修改，形成“智能体式生成”闭环。

产品定位上，U1.5 Lite注重性价比，U1 Pro追求能力上限，类似轻便相机与专业单反之分。企业应用中，林达华提出能力广度、专业深度与成本存在“不可能三角”，现实做法是让不同专业模型组成团队协作。

视频创作与未来展望

AI内容创作平台Seko交付完整视频创作流程，可调用Seedance等外部专用模型，但重点掌握故事展开、分镜生成与迭代闭环。林达华强调，视频画质很大程度上取决于高质量数据和资源。

在他看来，多模态的涌现时刻一两年内到来，届时AI将更自然地融入真实世界，而商汤正以原生多模态为支点，撬动办公、医疗、机器人等广阔场景。这条路或许漫长，但方向已然清晰。