当通用人工智能（AGI）的浪潮迫临实际，咱们终究站在技能进化的哪个临界点？6月19日，在上海国际移动通讯大会（2025 MWC上海）的宗旨讲演中，荣耀与阿里巴巴的两位大佬揭开了要害谜底——AGI的打破不再囿于实验室模型的精进，而在于跨过从“考虑”到“举动”的距离，在于仍应持续探究多模态大模型的开展。

让AI走入日子

怎么让AI真实走入日子？荣耀CEO李健经过“三个改变、三个打通、三个敞开”来共享考虑。

OpenAI的CEO奥特曼提出了一个关于AGI的五层结构理论，将AGI的开展分为五个阶段，李健以为现在AI的开展正处于第二层到第三层的过渡阶段。在AGI的第2层，AI具有根本的逻辑推理才干，能够剖析杂乱信息并进行揣度。这一层次的AI能够处理更具应战性的使命，例如了解杂乱语义结构、辨认逻辑关系并作出合乎逻辑的回应。它不只依赖于预设常识，还能够结合输入信息进行开始推理剖析。许多现有的AI模型，如编程帮手和数学推理东西，均归于这一阶段。

在AGI的第3层，AI具有了解杂乱指令的才干，并能够在多使命环境中自主决议计划和灵敏应对。它能够在动态环境中整合不同信息源，自主判别并挑选适宜的举动计划。这一层次的AI具有高度的情境感知才干和自主履行力，不再依赖于逐渐指令或外部操控。

为了赶快过渡到第三层，李健指出当时咱们应该从考虑向举动跨过，让AI处理问题，让用户用起来，才干开释AI的潜力。

首要，他谈了三个改变。榜首，AI的竞赛焦点在改变，从模型才干到落地才干改变；其次是AI 的价值定位在改变，从东西功率到成果闭环的改变，“真实的AI使用，它不是你点击它，然后它做了什么，而是它自动替你完结的，能不能够跑出一个完好的流程，能不能够成果能不能够自主的学习和进化，能不能够越用越好越好用”。第三，从曩昔的云端核算到现在的贴身存在的改变，真实的AI产品，不该该是你去找它，而是它就在你身边。

别的，AI落地需求两个大支柱，榜首个是硬件，硬件是中心载体，它不再仅仅承载模型的外壳而是内涵品格的延伸，与用户同处共感共生。第二个是AI Agent，他是中心进口，它不是履行使命的使用，而是了解用户意图，自主履行使命与成果交互闭环的生态进口，是用户的至交、智囊、同伴，是用户的第二个自我。

李健以为，当时依然存在的商业对立在于场景、功能和信赖这三方面没有构成有用的闭环。首要场景方面，依然存在着断层、碎片和分裂的问题，比方用户场景实际上是分裂的，当时的设备之间依然存在无法高效的评价，AI无法高效地在不同设备之间流通，人没有办法灵敏调用的问题。

第二功能方面，依然存在算力、时延和功耗的问题。比方说当时的端侧算力遍及较小，内存遍及偏低，难以承载7b以上模型，难以支撑杂乱使命的推理需求。

第三便是信赖问题。当时依然存在错觉、隐私和道德问题。

针对怎么才干有用的打通的问题，李健着重需“打破”数据孤岛、服务孤岛、设备孤岛，来打通场景闭环；再用端云协同、软硬协同、算网协同打通功能闭环；最终以技能共创、标准共建、职业共治打通讯任闭环。

李健指出，为加快AI落地，完成需求闭环，未来应该秉持敞开的标准、敞开的思想和敞开的理念，根据GSMA渠道，共建敞开的AI终端生态联盟，旨在集结AI模型企业、运营商、AI终端企业、互联网企业四方力气，经过严密协作与优势互补，引领全职业革新。

多模态大模型的技能演进与应战​

阿里巴巴集团副总裁、智能信息工作群首席科学家许主洪在讲演中指出，多模态大模型是完成通用人工智能（AGI）的必经之路，经过整合文本、图画、音频、视频等多种信息，能够供给愈加丰厚的上下文了解才干，也能提高全体模型功能与准确率、下降错觉。此外，多模态也会带来愈加天然的人机交互体会，供给更多样的生成才干，也因而会有愈加丰厚的使用场景。

在讲演中，许主洪将多模态大模型技能分为了解与生成两大类，多模态了解使命要处理的技能难点包含多模态模态编码、对齐、交融、语义了解和推理等。多模态生成使命需求处理怎么有用遵从输入指令、怎么生成和输出高质量的多模态内容，比方图片、视频、语音等。

他指出，在曩昔几年，多模态了解模型技能开展阅历了多个不同的开展阶段。现在干流的技能是根据预练习大言语模型（LLM）作为骨干网络来衔接和交融多种模态。不同的多模态大模型首要的差异是在衔接器的规划和模态的对齐与交融办法上。

干流多模态了解模型是根据自回归AR模型结构，而现在干流多模态生成模型首要是根据分散模型Diffusion Models。而分散模型有两个中心模块：一个是骨干网络的规划，一般是根据卷积神经网络比方U-Net的结构，或许根据Transformer的网络、也便是现在干流的DiT结构。另一个是Conditions模块，把输入的文本指令或图片信息经过Conditions模块注入到去噪进程，然后到达可控输出方针图片的意图。

许主洪以为，未来的多模态大模型将逐渐向了解与生成一致的方向演进，但还有许多敞开性的问题，比方骨干网络到底是根据自回归AR模型，仍是分散模型，或许是混合模型结构。别的，各种模态的编码、解码、模态对齐和交融等都需求更多深入研究。

除了一致多模态大模型，别的一个抢手研究课题便是多模态推理模型。我们耳熟能详的OpenAI O系列和Deekseek R1的推理模型，不只带来功能的提高，而是带来一种新Scaling Law的范式。因而业界期望把这种范式使用到多模态场景，也便是构建多模态的思想链来提高多模态推理才干。

除了多模态基座模型，许主洪还提到了多模态Agent智能体。一般一个智能体的典型架构包含感知、推理、履行与回忆等模块，GUI Agent的中心仍是根据多模态基座模型VLM的感知和推理才干。虽然已经有不少探究，整个范畴还处于比较前期的阶段，这类产品现在全体技能成熟度不是很高，还需求更多的研制探究，可是有十分广泛的使用远景。

GUI Agent首要是用在数字国际或许虚拟国际履行使命，相似技能也能够用到物理国际，这便是机器人范畴十分热的具身智能体。根本原理便是使用多模态模型VLM来练习机器人的举动，经过视觉和言语来操控机器人的动作，这样的模型也叫Vision-Language-Action（VLA）模型。

最终，许主洪表明多模态Agent AI年代才刚刚开始，未来要真实到达AGI，还需求处理许多技能难题，包含多模态大模型的根底才干、Agent智能体的中心功能模块、数据国际的衔接与操作、物理国际的交互与操控等等。虽然有许多的应战，可是他以为这也是未来多模态大模型职业的时机。