商汤林达华谈20%资源投向预研:空间智能任务中Scaling Law失效,行业参数竞赛正回归理性

当所有人很盲目地去做参数量的竞争,我觉得并不是一种健康的状态。

商汤联合创始人、首席科学家林达华在近期访谈中披露,商汤至今仍将20%的公司资源投入到没有任何产品出口的预研工作,这一比例不因经营压力而改变。他同时提出,在空间智能相关任务上,Scaling Law出现失效迹象——数据增加并未带来模型表现提升,反而导致输出趋于错乱。这一判断为当前以大参数、大数据为核心的主流技术路线提供了一个值得审视的反例。

林达华是在微博科技与卫诗婕联合出品的《科技漫谈》栏目访谈中作出上述表述的。他回顾,今年初字节Seedance 2.0发布后,商汤Seko团队曾经历一段自我怀疑期,外界反复追问Seko与Seedance的区别以及能否与之竞争。团队随后厘清了产品定位差异:Seedance聚焦30秒视频片段的渲染质量,而Seko面向的是100集短剧的完整创作流程,涉及剧本、分镜、人物设定与跨剧集形象一致性。据林达华透露,今年Seko用户增长7至8倍,平台上已产出播放量过亿的短剧。

在训练成本问题上,林达华指出行业此前存在一个假设,即高成本训练一次优质模型后可通过规模化服务摊薄成本,但这一假设未必成立。原因不在模型质量,而在于竞争迫使企业持续重训——停止训练下一个模型,就会被对手超越。训练成本因此不断累积,且规模越来越大。

他提到两个显示行业回归理性的信号。其一是模型体量选择趋于务实,近期多家厂商发布Flash级别中小模型,包括GLM 5.3 Flash、DeepSeek 4.1 Flash,谷歌与OpenAI也推出同类规格产品。林达华特别提及DeepSeek的表现,称4.1 Flash的性能水平优于4.0 Pro,说明几百B量级、训练调优精良的模型可以跑赢上一代Pro,中等体量上的优化空间远未耗尽。其二是预训练数据质量重新受到重视。当几千亿参数模型在实战中跑赢2万亿参数对手,业界开始回头检查数据管线。林达华对此的解释是,数据中存在大量杂质与相互冲突的信息,彼此抵消效率,最终得到的是一个又贵又不理想的模型。

对于行业内普遍存在的快速跟进现象,林达华表示,美国前沿实验室定义SOTA天花板,新模型发布后国内往往在两三个月内涌现一批宣称采用同类方案的产品,近期大热的RSI(递归自我改进)同样有多家公司同时开建。他认为,同一生态位被十家公司同时抢占,先到者的红利会被迅速摊薄,难以形成长期价值。长期竞争力取决于在一条路上走得足够长、扎得足够深,这也是商汤保留20%预研资源的逻辑起点。

林达华介绍,这20%资源明确投向没有产品出口的工作,起点是追问现有方法为何做不好,并追回到最原理的层面。空间智能方向的选型遵循两步逻辑:先测试当时最强模型,找出其短板;再判断这些短板能否通过增加数据补齐。若沿原路加数据即可解决,则具备应用价值但撑不起原理性创新;只有怎么加数据都做不好的方向,才可能触及真正的原理问题。

商汤团队在空间智能任务上观察到的趋势与Scaling Law相悖。在perspective-taking(视角转换)任务中,模型表现不尽如人意:人类在空间中移动时会自然预判所见变化,走远一些物体应当变小,但当时的多模态模型不具备这种预判能力,即便以原生多模态路线著称的Google Gemini已是其中表现最好的一个,同样无法判断物体在不同视角和尺度下的形态。团队继续添加相关数据后,模型表现没有改善,反而越来越错乱——语义联系被不断强化,但数据之间缺乏空间关联,模型越来越依赖语义解释所见内容,数据越多,固化越深。

林达华此前常举的一个例子可说明这种固化的后果:将一张六个手指的照片交给当时的模型,GPT、Gemini、Grok均回答五个手指,判断路径是先识别出“这是一只手掌”,再依据训练语料中“手掌通常有五个手指”的先验直接作答。他同时提示,该问题在最近一代模型上大概率已修复,但背后的机制依然成立,即模型依赖语义翻译,再基于翻译结果进行后续推理。

从行业层面看,商汤对空间智能的持续投入与其对参数竞赛的审慎态度构成一组对照。在多数厂商仍将战略重心放在扩大模型规模与快速跟进前沿方案的背景下,林达华提出的“反Scaling Law”观察,至少促使业界重新审视一个问题:单纯堆叠数据与参数的做法,在智能的某些维度上是否存在尚未被注意的盲区。这一问题的答案,将影响下一阶段大模型技术路线的资源分配方式。

该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。

赞 (0)
腾讯AI投入转向:元宝缩减投入,WorkBuddy年化收入超5亿美元
上一篇 2小时前
影石研究院首度公开,前字节Seed研究员亓鲁出任负责人兼首席AI
下一篇 2小时前

相关推荐

发表回复

登录后才能评论
分享本页
返回顶部