商汤想要创造“超级时刻”

作者 | 刘宝丹

编辑 | 周智宇

ChatGPT的爆红让人们看到了AI大模型的巨大潜力，在经过一年多的技术追赶后，国内大模型公司纷纷押注应用端。

然而，要想做出一款真正有影响力的产品，并不是件容易的事情。

在2024世界人工智能大会上，商汤CEO徐立审慎地指出：“尽管热潮汹涌，但我们距离那个真正震撼业界的‘超级时刻’尚有距离。”他强调，AI尚未全面渗透至各行各业的骨髓之中，也未能在社会上激起广泛而深刻的变革涟漪。

正是基于这种清醒的认知，商汤把当前的重点放在了大模型本身的性能上。

7月5日，商汤在“大爱无疆·向新力”人工智能论坛上发布了“日日新5o”，这是国内首个所见即所得模型，其交互体验对标GPT-4o。

具体来看，“日日新5o”通过整合跨模态信息，基于声音、文本、图像和视频等多种形式，带来一种全新的AI交互模式，即实时的流式多模态交互。

对于为何命名为5o，商汤研究院研发总监卢乐炜对华尔街见闻表示，这个版本引入了很多现在能媲美 GPT-4o 的最前沿能力，在版本命名上比较保守，V6会有一个更大的计划，带来更全面、更基础的大升级。

创新交互模式

在现场，商汤科技对“日日新5o”的能力进行了演示：

刚开始，工作人员仅是和“日日新5o”打个招呼，它就自动识别出工作人员脖子佩戴的胸卡带子上的字眼，判断出现场就是世界人工智能大会会场，并表示在这个地方可以“好好学习”。

接下来，工作人员拿了一只可爱小狗玩偶，“日日新5o”准确描述了小狗的外貌、表情以及重要穿戴——一个戴着印有商汤科技logo白帽子，很给主场人排面。

再上些难度，随便翻开一本书的任何一页，“日日新5o”都能自动介绍，不是简单的OCR识别文字，而是识别图文给出好理解的总结，这一切在瞬间即可完成，真正做到实时交互。

工作人员还现场发挥了“画功”，随手画了一只简笔画小兔子，“日日新5o”直呼画得可爱，而后工作人员又画了一个微笑表情，它从这个平静的表情中捕捉到了笑意，工作人员又改了一笔把嘴巴画大增添了舌头，“日日新5o”看到后立马说到这表情开心多了。

“日日新5o”打造的是如同真人聊天一般的交流对话，据商汤介绍，这种交互模式特别适用于实时对话和语音识别等应用，能够实现对标GPT-4o的交互体验正是源于“日日新5.5”基础模型能力的全面提升。

接下来的计划

今年4月，商汤科技发布了“日日新5.0”，这是国内首个对标GPT-4 Turbo的国产大模型，引发资本市场的热潮。

短短两个多月时间，全新“日日新5.5”体系迎来多项升级，综合性能较“日日新5.0”平均提升30%，在数学推理、英文能力和指令跟随等能力明显增强，交互效果和多项核心指标实现对标GPT-4o。

卢乐炜表示，5.5的发布从技术预研来说，不是最近几个月的，它是商汤自上年末在研发原生多模态的一个方法论的集成。“这一块恰好跟 GPT-4o 的 o 这个 Omni的实际含义是一样的。我们当时很早就预判了这个趋势，有一个研发攻关的技术团队在做这个事。”

“它能在训练过程中涵盖多个模态带给它的知识，然后相互融合，这个对于算法的性能精度提升帮助非常大。”卢乐炜进一步强调，这个原生多模态集成了音频、视频，还有最早的图像，从输入端encoder到输出端 decoder 都是完全集成到一个模型里。

此外，“日日新5.5”采用混合端云协同专家架构，最大限度发挥云边端协同，降低推理成本，模型训练基于超过10TB tokens高质量训练数据，包括大量合成的思维链数据，提升推理思维能力。

对于接下来的版本计划，卢乐炜表示，这一版本更新还是相当大的，当时也考虑按常规是一个 V6 的版本号，但我们同时在进行的 V6 版本会有一个更大的计划，它能承载一个希望更全面的、更基础的一个大的升级。

“我们先把他保守的宣传做一个5.5版本的发布，希望也可以让大家期待一下，到时候 V6 将会带来怎样一个更全面的升级。”