文章核心观点 - 智源人工智能研究院研发的多模态大模型Emu3在《自然》正刊发表，标志着公司在原始创新上取得里程碑式突破，并押注以自回归统一架构为核心的技术路线，该路线被认为具有架构极简、扩展潜力大和研发门槛低的优势，为人工智能迈向物理世界和具身智能提供了关键基础 [1][3][5] - 公司认为2025-2026年将是多模态模型实现重大突破并开始产业化的关键阶段，同时预判AI发展将从单智能体向多智能体协同演进，而世界模型和具身智能是未来的重要研究方向 [1][11] 技术路线与模型优势 - 技术战略选择：公司在2024年初判断语言模型技术成熟，但人工智能发展远未到尽头，因此将多模态模型和具身智能列为未来重点科研方向，并选择了以视频为主进行训练的“终极技术路线” [2][3] - 核心架构优势：Emu3采用极其简单、统一的架构，仅使用一个Transformer模型并遵循“预测下一个token”的基础学习原则，统一处理文本、图像、视频，避免了当前主流方案中组合不同模型带来的效率损耗和性能不稳定 [3] - 带来的益处：这种统一路线带来了巨大的扩展潜力和更低的研发门槛，能够充分利用大语言模型的成熟基础设施，使能力随数据算力增长可预测地提升，同时降低了技术复杂性和成本，让更多研究者能参与前沿探索 [3] - 原生多模态能力：模型从训练伊始就将多模态数据统一处理，能更深刻理解不同模态间的内在关联，并自然地完成图文并茂的教程等交错生成任务 [4] 模型迭代与性能提升 - Emu3.5的升级：后续版本Emu3.5在超过10万亿token的大规模多模态数据集上训练，视频数据训练时长从15年提升至790年，参数量从80亿（8B）上升至340亿（34B） [6] - 能力跃迁：Emu3.5展示出通过长视频学习物理世界演变规律的能力，实现了从“预测下一个词或帧”到“预测下一个状态”的跃迁，能够对时空、因果关系进行初步模拟 [6] - 达到产品级：Emu3.5相比Emu3各方面能力大幅提升，已从科研级系统达到产品级多模态模型系统 [6] 研发团队与人才理念 - 团队构成：Emu3研发团队非常年轻，负责人当时仅29岁，体现了公司“青年人挑大梁”的核心理念，公司认为AI是年轻人的事业，年轻人是推动颠覆性创新的关键力量 [1][7] - 研发过程：研发过程是一场“技术豪赌”，2024年初团队约五十人押注了与当时行业焦点（扩散模型和组合式架构）不同的自回归统一路线，并顶住了内外的质疑压力 [7][8] - 人才吸引与培养：公司对人才不看资历和“帽子”，更看重“代表作”，如高影响力论文或开源项目，公司现有230名全职研究员，团队（包括实习生）约500人，研究员平均年龄仅30岁 [8] - 资源支持：对于青年人才提出的、通过评估的项目，公司会直接给予大量算力和资金等充足资源支持，这些支持是青年学者在高校难以获得的 [9] 公司运营与体制机制 - 经费管理：公司作为新型研发机构，实行科研经费“包干制”，科研经费的自主权和使用权完全在公司，除规定红线外，从立项到购买设备再到实施完全自主，类似企业化运作但无盈利压力 [9] - 机制优势：这种体制机制创新使公司能敏锐捕捉AI发展趋势并早于其他机构进行先期布局，过往的成功案例也吸引了更多AI人才加入 [10] 行业趋势与未来展望 - 多模态发展阶段：多模态模型正处于技术开始收敛的阶段，2025年和2026年将是其实现重大突破并开始逐步进入产业化的阶段 [1][11] - 智能体演进：大语言模型已进入基座模型相对成熟、赋能千行百业的阶段，AI落地速度加快，并从单智能体向多智能体发展，多智能体通过协作能达到产品级落地效果 [11] - 前沿研究方向：世界模型的研究和重大突破正在酝酿，但其定义和技术路线尚未收敛，而模型与硬件结合的具身智能虽然火热，但在稳定性、安全性、耐用性和高质量数据方面仍面临挑战，需要扎实解决 [11]