對話林達華：商湯的“快”與“慢”

撰文| 文燁豪

編輯| 王 潘

WAIC 2026，一半人擠在具身智能展臺，一半人在聊AI終端，大模型儼然已是上個周期的敘事。

7月18日，WAIC 2026期間，商湯卻反其道而行，擲出了一枚重磅炸彈：正式發布下一代旗艦多模態基座模型——商湯日日新SenseNova-U1 Pro（以下簡稱U1 Pro）。

作為“日日新 SenseNova U”系列的旗艦版本，U1 Pro定位為面向長程任務的交付級原生多模態智能體基座，實現理解、生成和行動的深度統一。換言之，U1 Pro并非又一個升級參數的文生圖模型，其本質上是把多模態AI從過往的單點內容生成，推向閉環完成復雜、長程任務的系統交付階段。

據悉，U1 Pro由商湯科技聯合創始人、首席科學家林達華牽頭負責，旨在對標OpenAI旗下GPT-Image-2。而在對話環節，林達華指出U1 Pro在設計感和文字準確率等維度都實現了關鍵突破。

這句話分量不輕。畢竟，GPT-Image-2作為圖像生成領域的SOTA模型，發布至今三個月過去，嚴格的實測下來，國內能摸到其尾燈的模型都沒幾家。

林達華的底氣，來自對模型本身的判斷。

在他看來，U1 Pro不是又一個傳統的文生圖模型，是一個創作模型。

傳統文生圖的邏輯是一步到位，prompt輸進去，一張圖直接出來，中間是黑箱。用戶能做的無非是調參數、換prompt、反復“抽卡”，本質上還是素材生成工具。

U1 Pro則不是。據悉，作為旗艦版圖片創作模型，U1 Pro基于統一基座內生的理解、生成和行動能力，支持長程圖文交錯思維，能夠圍繞復雜目標進行數十輪的Agentic Generation Loop（智能體生成循環）。

換言之，其可以像一個真正的設計師那樣工作，有思考、有自我修正，以及從草圖到成稿的完整鏈路，支持8K原生分辨率輸出，輸出質量達到“交付級”。

過去很長一段時間的文生圖競賽，評測維度眾多，卻有一個最本質的問題始終沒解決，即這張圖，敢直接交給客戶嗎？

答案，普遍是不敢。

林達華舉了一個文字生成場景的例子。一張圖一百個字，錯一個字，普通評測扣一分，模型能拿99分；而交付級標準下，但凡錯一個字，這張圖就不能用，99分約等于0分。

設計、審美是多元的，圖片創作的諸多維度，亦沒有像文字對錯這般絕對的評價標準，商湯就找了200位美院同學、設計師當裁判，每張圖都會問一個問題：愿不愿意把這張圖交給你的客戶？

據林達華透露，六成以上通過率，才算摸到交付級的門檻。而無法跨越這條工業紅線，便很難大規模走入商業場景，形不成閉環，也就攢不起迭代飛輪。

商湯的內部評測中，目前能過線的模型只有兩個，一個是GPT-Image-2，另一個就是U1 Pro。

至于為什么是商湯先摸到了這條線？一重原因在于技術架構。

據悉，U1 Pro之所以能夠突破“生成”邊界、走向“穩定交付”，其底層核心得益于NEO-unify內核架構在原生多模態體系中實現語言和視覺的統一表征，打破了理解與生成的割裂壁壘。

另一重原因，或許來自信仰。

對彈藥充沛的巨頭而言，信仰并不重要，畢竟其有足夠的籌碼同時押注所有路線，哪條跑通便加碼哪條，錯了也不至于傷筋動骨。腰部玩家則沒有這個資本，只能找準路線，把所有資源砸進去，往深了打，打穿為止。

在林達華看來，商湯是一家中等規模的公司，很難像巨頭那樣到處撒網。好在，領頭這批人，包括他自己，原來都是做視覺出身，對這件事有很深的信仰，愿意死磕到底。

“這種信仰，指導著我們無論在哪種環境下，都一直往這個方向走，不斷地產出成果。而堅持信仰，會使我們形成非常深的積累，這可能是我們很獨特的一個優勢。”

商業上亦是如此，沒人不想直達終局，只是彈藥撐不到那天，只有“沿途下蛋”，靠設計、巡檢、外賣等場景賺到錢，反哺底座研發，才能實現正向循環。

而眼下，就設計行業而言，AI交付的時代已然啟幕。至于交付級標準怎么定、U1 Pro與GPT-Image-2孰優孰劣、原生架構的優勢、設計賽道盤子有多大？

在本次大會期間，林達華與光子星球等進行了一場對話，以下為對話的主要內容（在不改變原意的前提下，略作刪改）：

從“生成模型”到“創作模型”

Q：U1 Pro定義為業界首個“理解?生成?行動”原生統一的多模態智能體基座，第一個階段落點放在圖片生成上。用一句話區分U1 Pro和傳統文生圖模型的話，會怎么講？

林達華：這是一個創作模型，不是一個生成模型。以前所謂生成模型的邏輯是，我給一個prompt，它直接出一張圖，中間是沒有過程的。

舉個非常簡單的例子，現在大家所關注的Coding或者Agentic Engineering，建立一個軟件也不是一步建立出來的，是用戶給了需求之后，經過若干步的思考、反饋、迭代，一步一步構造出一個很復雜的軟件。

圖像也一樣，整個構造的過程也不是單步出的，只是我們沒有把思維鏈背后的思維、推理鏈路完全展示出來，實際上也是多步迭代過程中逐漸形成這張圖。

有點像一個會思考的設計師，從一個草圖或者版式出發，接到需求之后，再想表達這么一個意向該用什么版式來做？先把版式畫出來，再看一看是不是符合想象中的樣子。先把版式調到一定程度了，在每個地方填入一些內容，最后再整體地去調色或者refine。

就像Coding模型打造出來的不是一個software，而是一個架構師和一個programmer。整體來說，U1 Pro不只是一個生圖模型。某種意義上可以理解為，它就是數字空間里面打造出來的一個設計師，會圍繞怎么創造一個具有美學感的成品，一步一步去完成工作。

這過程中它會有理解，比如判斷圖片與prompt、跟用戶的需要是不是一致。每一步的編輯和生成都會去做，而且不止做一次。所以在我們看來，它有理解的能力，也有生成的天然能力，同時也有根據當前情況做出decision、去plan下一步做什么的能力。

Q：圖像生成過程中，是由多個智能體執行任務嗎？背后是怎么做的？

林達華：其實就是一個模型，但這個模型，比如說你用Claude模型或其他模型寫程序一樣，同一個模型會執行多個步驟，一個loop出來一個最后的結果。我們模型也是同樣的道理，同一個模型執行多個步驟之后，完成一個loop，就出來一個成品的設計圖。所以某種意義上也可以理解為它實際上是面向設計的一個智能體，背后依托的就是一個很強的模型。

同時，生成部分調用的是它內生的能力，理解部分也是它內生的能力。但有些事情可能確實需要一些外部支持，比如你去問“請你寫一下今天世界杯的報告，出一張世界杯的海報，哪個隊跟哪個隊比分多少”，那這個模型顯然是不具備這個信息的，它可能就要去搜索，也會具備一些調用外部工具的能力。

Q：圖文交錯的思維具體是怎么思考的？背后的技術原理是什么？

林達華：它會提供一個Action Space。冷啟動的時候，我們會把很多設計師提供的專業意見整理成為一些Instruction思維鏈，這個思維鏈會幫助模型做冷啟動。

之后我們還會做RL，背后有一個非常強的、由幾十個維度共同對圖片進行評價的reward，所以會是一個Multidimensional Reward Model。在這個驅動下面做強化學習，每張圖出來都會給一個feedback，哪里做得不好、哪里做得好，那么它就會在過程中去學習怎么充分靈活使用各種各樣的能力，比如生成能力、編輯能力、組合構建的能力等等。

所以，最后它實際上自己是有sense的，看到不同的用戶需求、看到不同的畫面的時候，下一步應該去plan什么樣的action，它自己就會有這樣一個sense。

Q：去年開源了NEO-unify架構。在原生架構里，模型怎么決定這一步該輸出文字還是輸出圖片？這個決策是在訓練中自己涌現出來的，還是有調度信號之類？

林達華：沒有調度信號，就是一個不斷地put the next token。我們也會做預訓練、retraining、SFT和做RL。這里面架構提供了image跟text共同表達的space，但訓練上還是沿用主流的范式，只是具體訓練配方上做了非常多功夫。

Q：首發U1 Pro只有生成的能力，圖像編輯能力過后會上線，為什么沒有一塊上線？

林達華：其實讓它把編輯加進去也可以，但是我們要確保每一個上線的功能，交互體驗都是非常好的。前期在U1 Pro出來的時候，我們先把效果打磨到極致，接下來會去打磨交互體驗。因為編輯涉及的是交互體驗，所以得把這個事情打磨好了之后，也會在今年，我估計不久的將來，推出來給用戶服務。

對標GPT-Image-2，達到“交付級”

Q：U1 Pro這次強調成品級還有交付級。設計結果比評分復雜得多，包含美學、商業化標準，商湯內部如何定義交付的標準？

林達華：我們認為60分叫做交付級。什么叫60分呢？我們有一個由200位美院的同學、設計師組成的團隊。他們會給每張圖打分，我們出一張圖，他們每張圖都會去打分。就是這張圖，如果你作為一個設計師，愿不愿意把這張圖交給你的客戶？如果生成的圖片中有60%能夠達到這個標準，我們就認為達到了交付級。

目前來說，普通的生圖模型，比如今年年初以前出來的各種生圖模型，包括小規模的一些開源模型，在這塊的交付率，或者被采納作為可交付的比例，都是個位數。近期出來的一些更加商業化的模型，包括Nano Banana，交付率都低于五成。

內部評測里面，真正能夠達到可交付的就兩個模型，一個是咱們的U1 Pro，另外一個就是GPT-Image-2。

Q：U1 Pro和GPT-Image-2做對比的話，目前哪些能力有顯著的優勢？哪些方面還不如Image-2？

林達華：我們自己內部觀察的話，模型的文字能力，還有整體的設計感，甚至在一定程度上比GPT-Image-2還是稍勝一籌的。

我們為什么強調設計感這件事？因為這個過程中我們有一些強化學習的過程，大量的設計師是陪著我們迭代的，我們有起碼200位設計師在迭代回路上面，不斷給模型提供反饋，這使得模型有很多設計感的東西。所以我覺得它的設計感，還有對文字、其他中式文化細節的表現力，都是比較強的。

另外，它可以在某些領域下面原生出8K清晰度的圖片。GPT-Image-2只能出到4K。

Q：8K圖像也是這次的一個亮點。但是8K高分辨率可能也意味著視覺token數量增加，標準attention的計算開銷也會上升。U1 Pro具體通過哪些方式控制計算量和顯存這些成本？

林達華：我們使用的是大patch（圖像塊），32×32像素為一個patch；普通的生圖軟件用小patch，16×16。如果每個patch在它的latent representation（隱空間表征）里面代表一個token，或者代表一組token的話，因為采用32×32的patch，計算量已經可以降低到原來的四分之一。

但是這個過程中有一個挑戰，當你使用大token的時候，每一個token的精準控制能力是做不到位的。這就是我們技術里很重要的一個地方。

我們使用了自適應的noise reduction（降噪）分級，在細節地方會注入更多的noise來使得它能夠學好細節。Adaptive Noise Control（自適應噪聲控制）使其即使是32×32的大patch下面，也能夠有效地捕捉細節。

而且我們使用32×32的話，也允許它有一定的重疊，不是完全分成若干個離散的16×16的patch。包括我們在空間采樣上的創新，以及在降噪上的布局，以及在模型結構設計上做的一些專門優化。這些共同使得它能夠在context沒有爆炸性增長的情況下，還是能夠獲得非常強的大圖生成能力。

Q：U1 Pro支持原生8K輸出。影視分鏡、城市規劃這種場景里面可能是剛需，但是對于大多數商業設計場景可能又有一些性能過剩。商湯在做產品定義時，是怎么看待8K的市場需求的？

林達華：我覺得8K確實是能滿足部分需求，但是8K并不是我們唯一的亮點。我們的亮點包括有很強的設計感，對文字和細節有很強的控制力。

如果說U1開源版時不時有錯字的話，那么現在U1 Pro的錯字率非常非常低，設計感是很強的，這些都是讓這張圖能夠去交付的關鍵要素。所以關鍵點還是，無論是設計細節的控制力、美感，還是高分辨率，這些都構成了共同可以實現面向客戶最終交付的品質的基礎要素。

“99分=0分”

Q：U1 Pro瞄準的是設計的場景。設計現在也是很多頂級多模態模型的方向，包括OpenAI和Google。您覺得這個賽道決勝的關鍵變量是什么？

林達華：關鍵變量就是你真正能創造價值，真正交付人家需要的東西。這跟Coding在商業邏輯上是一樣的。Coding就是我要造個軟件，你給我造出來，符合我的要求。對設計來說也是一樣的，你不能給人家看一張圖挺好看，但是到處都有一些毛病，沒辦法拿來用，那這個東西就打不穿價值閉環。

所以這件事情，任何技術都是一樣的，它能夠獲得持續迭代，能迭代起來了，才能夠持續地建立迭代的壁壘。對我們來說，打穿工業紅線是非常重要的。

對于團隊來說，以前的生圖軟件怎么評價的？對于交付級的設計模型來說，評價維度有一個很根本的區別在于，比如一張圖里面有100個字，如果這100個字里頭錯一個字，你大概率是不敢把那張圖拿出去打印之后滿大街去貼的，這個很不專業。

但是在普通的生圖評價里面，100個字錯一個字，你是99分，因為我是平均來評價所有維度，每個維度占一分，把100個字每個字一分，錯了一個就99分。但是對于交付級生成來說，100個字錯一個字，這張圖就是不能交，那就是0分。

為什么很多生圖軟件在這里，只能拿到個位數的分數？因為大部分模型生成出的圖要不這里有點問題，要不那里有點問題，雖然整體上看確實那么回事，但是你沒法拿去做交付，也就沒有辦法形成一個真正的交付的商業閉環。

我們得非常嚴苛地做到每張圖里面沒有瑕疵，生出來了你就拿去打印。在這里面我們才說叫有60%的圖、70%的圖達到交付級。一旦達到了交付級，它就能夠真正大規模地切入到這個行業的商業應用。商業閉環就能夠運轉起來，我們就能夠通過這樣的持續迭代，在這里面去構建一個很好的商業跟技術迭代的飛輪。

大家為什么要投入這個賽道？因為本身設計行業，無論是城市設計、平面設計、工業設計，都是個非常巨大的商業賽道，它在整個國民經濟里的占比，甚至都不一定亞于像Coding這樣的賽道。這里會產生巨大的商業價值，而現在模型到臨界點了，只差臨門一腳，賽道就會被打開。所以在我看來，接下來這幾個月，這條賽道可能會有非常大的商業化變化。

Q：商湯在這個賽場的差異性會體現在哪？

林達華：商湯的競爭優勢，第一個是我們使用的原生模型，整個多模態的理解生成都在一個模型里面融合在一起，沒有溝通成本。

學習效率方面，我們早期提到過，可以用十分之一的數據就達到同樣頂尖的SOTA模型水平，學習效率非常高。去掉了VE（視覺編碼器）和VAE（變分自編碼器），采用渾然一體的Transformer直出架構，服務效率、計算效率、推理效率也都非常高。

而效率高，使得我們能夠以比Google和OpenAI更低的成本迭代模型。DeepSeek的啟發很明顯，有了高效架構之后，學習和各方面成本都會降下來。再加上我們的商業閉環，我們有信心未來能夠形成非常有效率的競爭優勢。

Q：發布定位是對標Image-2，Image-2其實是4月底的產品了，感覺風潮和熱度好像也有點過了。為什么7月這個節點還要打出這樣一個理念，中間怎么考慮的？

林達華：設計行業已經存在幾十年了，不是今天才突然誕生的，需求一直都在，不會因為熱度起伏就消失。只是說什么時候有一個模型能夠把這個需求打開。所以我覺得這不是一個早晚的問題，目前在國內，我還沒看到第二家能夠先把這個做出來，但起碼在這個過程中，商湯還是走到了國內前列的位置。

Q：想要做一個設計類的模型，現在跑到行業頭部的設計類產品，整體有一個特點，就是比較吃設計師生態，基本上會有運營很多年的社群，無論是Canva也好還是國內的美圖也好。這一塊目前是什么樣的計劃和布局？

林達華：對我們來說，過往的設計確實要去找設計師，但其實是傳統行業或傳統互聯網行業運作的方式，通過人供需的對接形成網絡效應，我這邊有很多設計師，然后給我去做那樣的一些東西，但現在所有這些東西都融到一個模型里頭去了。從某種意義上來講，它實際上會顛覆這種原有的行業運作模式。

Q：這次還強調設計模型有東方美學的優勢，這個優勢具體體現在哪里？是數據的來源，還是排版的邏輯或其他？

林達華：從技術原因去trace的話，可能就是我們確實因為在國內或者我們的文化背景，在做這個數據的時候，相對來說也會有意地放大這塊的比重，所以我們觀察，它涉及到一些東方藝術的時候，確實有更多韻味。而東方的很多藝術，主要體現在字體上面，我們在這塊也下了很大的功夫，書法這些東西是國外模型可能沒有專門關注的東西。

Q：市面上已有的設計AI模型也好、平臺也好，現在更多的會想要去to b的生態，基本上有點放棄普通的c端用戶了。U1 Pro到底是面向怎樣的客戶群？是普通大眾，還是有設計商業化需求的小b？基于這樣的生態，商業模式是怎樣思考的？

林達華：我們現在主要還是先把性能得過線，這是我們當前最核心的目標，確實已經在初步達到這樣一個目標了。剛才提到有兩個模型，一個是快版的，一個是專業版的。

專業版，我們已經有一些KA客戶在內部環境中去試用了；快版，更多是成本敏感的普通C端用戶使用。

而且事實上，商湯過往有一個很重要的商業模式叫C to B。比如我們有一個產品叫小浣熊，它現在應該有200多萬的周活，有了C端的用戶口碑，我們再去向B端的客戶去介紹產品的時候，大家的溝通成本就會低很多，教育成本也會低很多。

C端可能并不是我們收入的主要來源，但是它給我們帶來了很多最終能夠給我們付費的B端客戶。

世界模型與長期愿景

Q：現在大家都在講世界模型，每家說的都不太一樣。在商湯的定義里面，一個模型需要具備什么才可以稱作是世界模型？U1 Pro的基礎上如何更進一步，下一步去跨向世界模型的愿景？

林達華：首先世界模型得能夠有效地去建模這個世界。所謂世界模型是什么意思呢？當你對這個世界采取任何一個動作的時候，比如機器人往前走一步，又或者端起個杯子，這個世界的狀態會發生一定的變化。

世界模型就是能夠盡可能忠實地反映這個世界對于各種Interaction、Action的變化。所以世界模型不只是一個視頻生成模型，而是能不能有效地反映各類交互帶來的狀態變化。而世界模型的范疇其實非常廣泛，像最近AFS里面的虛擬細胞，那種也叫世界模型，它模擬的是生物學的反應。

對于U1來說，它提供的是一套公共的基礎。因為對于世界模型來說，來了一個事情能不能做反應？面對世界怎么去做出應有的響應，有些時候需要思考，有些時候需要把反應以視覺的方式展現出來。

所以某種意義上，背后一定需要同時具備邏輯思考的能力和視覺呈現的能力。這兩者相結合，才能夠提供世界模型堅實的基礎。

因此對我們來說，能夠把文字、視覺和語言統一在一個地方，提供一個公共基礎進行聯合學習，是最根本性的技術基礎。不是說拿一個視頻生成的模型改一改就行，那很難做好的。一定得有個很好的地基，語言跟視覺的呈現能夠聯合建模，在這個上面才能解鎖各種事情，包括世界模型、機器人的大腦，也包括之前說的設計。

Q：商湯有絕影的開悟世界模型，還有悟能的具身智能平臺，U1 Pro如何與兩大世界模型的資產進行深度耦合呢？

林達華：其實技術體系是一脈相承的，我們在世界模型、設計模型、視覺模型，都是理解生成統一的基礎架構往下去迭代出來的結果。可以看到我們用一個架構服務了很多很多不同任務和領域。這些下游的模型提出的各種各樣技術上的挑戰，也會反過來指導我們上游的基座的迭代。

Q：U1 Pro在數字智能融合物理智能這個路徑上，希望扮演什么樣的角色？最終想要攻克的是世界模型的一些難題嗎？

林達華：最核心的目標是實現視覺與語言的聯合涌現。海量語言數據共同訓練催生了GPT時刻，開啟了今天的大語言模型時代。但視覺領域的涌現始終被期待，卻一直沒有真正到來。

這里面有好幾個原因，一個就是架構上尚不成熟，還沒有一套能將廣泛視覺數據融入統一體系的技術架構。而我們的unify model，正是希望為視覺與語言的聯合涌現提供基礎。

NEO-unify架構，就是我們為視覺與語言聯合涌現打造的技術底座。當然這還需要海量、廣泛的視覺語言聯合數據來支撐，這是我們的長期愿景。

往下走你會看到不同的落地路徑，比如以設計的思維去聯合語言跟圖像，世界模型里也有思維鏈與機器人行動來構建語言與視覺世界的閉環。當足夠的數據匯入統一架構，能否觸發真正的涌現？我們充滿期待，而且事實上已經有點苗頭了。

當然這個還是在非常初步的階段。隨著我們有多個行業的視覺跟語言聯合的數據一起沉淀到底座下面的時候，我們還是有很大的期待，也許在不太遠的將來就能到來，那時候會再一次地改變整個行業。

商湯的“快”與“慢”

Q：現在模型迭代的節奏越來越快，所有人都在說“快”。您對“快”這個字到底是如何理解的？是決策和迭代的速度要更快，還是比別人更早看到未來？您身上有沒有FOMO感這方面的感受？

林達華：這里面有兩個事情，一個是你的目標、你的愿景和目標，第二個就是你的執行路徑。

從愿景的角度，我覺得任何一個方向，當你到了一定的高度的話，肯定都不是說一個月、兩個月，或者三個月的時間，就能夠完全在一個方向建立起很深厚的競爭力的。

像OpenAI推出ChatGPT，也不是說在2022年11月就突然花三個月時間把模型做出來，而是長時間的鋪墊，到那個時候厚積薄發。

到了這樣一個臨界點之后，當產品推出來，獲得了非常多的用戶和反饋，這個時候再往下迭代，速度確實可以有非常大的提高。

你要在某一個階段達到一個非常快的速度，而且這個“快”是一種有實際價值的方式往前去迭代的話，前期是離不開長時間的持續投入和積累。到了某個時間點，各方面的基礎設施、閉環鏈路都準備就緒，產品和技術推出去之后，有大量的反饋進來，迭代基礎就會非常好。這個時候才能真正快起來，迭代速度也能夠讓競爭壁壘持續建立得更加深厚。

所以在我看來，快跟慢其實要辯證地看。“慢”代表長期主義，堅持在一個方向上持續投入；而“快”代表投入建設起來的一整套基礎閉環，能夠讓你快速往前推進。但“快”一定不能是打一槍換一個地方，那樣就沒有辦法形成長期復利的飛輪。

Q：從數字空間到真實空間整個比較漫長的遷徙過程中，公司生態里面有字節、騰訊這樣的大公司，還有一些獨立的AI公司。目前商湯大概在競爭生態中處于一個什么樣的位置？

林達華：商湯今天的收入體量屬于中等規模的公司，很難跟所有巨頭直接拼體量。但商湯有一點我覺得很好，就是我們對技術路徑非常認定，無論是徐立、曉剛和我，還有下面的團隊，對這件事情都非常堅持。

你看我們的開悟世界模型也講“理解生成預測統一”，我們在這里講“理解生成行動統一”，其實都是同一個統一的架構在往前去探索不同領域下的可能性。

背后有個原因，就是我們可能都是原來做視覺出身的，對這件事有很深的信仰。這個信仰指導我們無論在哪種環境下面，一直都在往這個方向去走，而且不斷地做出一些成果。這種信仰的堅持，會使得我們能夠在這個過程中形成非常非常深的積累，也包括商湯過去在視覺的積累，這是我們可能很獨特的一個優勢。

我覺得智能的本質，每個階段都有不同的熱點，但長期的終局路徑不會有太大變化。可能哪個行業先打穿了，哪個行業就在某個階段更熱一些。所以我們的這種堅持，最后形成的積累復利，讓我們有信心能夠走到那個終局點上。

但過程中我們得沿途下蛋，我們也在探索，做到這個階段先率先打穿一些行業，讓我們能夠獲得持續的商業閉環，支撐我們往下走下去。

微信號｜TMTweb

公眾號｜光子星球

別忘了掃碼關注我們！