对话Om AI赵天成：多年坚守，押注物理AI原生的「流式」未来

一个从未见过监控画面的多模态模型，却比在监控数据上练了多年的小模型“老将”更懂监控。这不是科幻电影，这是2023年Om AI联汇的一场“无心插柳”，也是CEO兼首席科学家赵天成博士更加坚信“多模态训练方式能为物理开放世界带来泛化性”的关键节点。彼时，AI行业正在追求以大语言模型为核心的生成式AI。 三年后，这个多模态模型演变成了VLX——全球首个面向物理AI的端侧流式多模态模型系列。首次提出“端侧原生流式多模态”这一全新模型架构，而通过这个从Day 1为端侧算力约束设计的架构，VLX模型首次在端侧打通“持续感知+精准定位+行动决策”的物理AI完整闭环。 VLX概览图 毫无疑问，站在2026年夏天的时间节点，AI行业的热度已经开始从数字AI转向物理AI。不同于数字AI的2023年，虽然物理AI的热度很高，但是行业仍未收敛，多路线并存，距生产落地尚远：以语言为中心的VLA、以像素为中心的视频生成、以3D结构为中心的仿真、以视觉表征为中心的JEPA……行业对最主流的VLA与世界模型两条概念路线的选择，也依然摇摆不定，是替代，还是并存，抑或是融合？ 就在这一行业还在争论谁是物理AI终极答案之时，Om AI联汇的VLX系列模型已然完成物理AI从仿真实验到产业落地的商业闭环，通过赋予机器人、无人机、可穿戴设备、安防摄像头、AI PC等多类物理终端自主感知的“小脑”和认知决策的“大脑”，让这些物理终端实现从“被动执行指令”向“主动适应场景”跨越。 VLX架构图 这并非偶然，而是Om AI联汇多年漫长专注后的必然结果。 2019年，当赵天成从CMU语言技术所博士毕业时，他的履历足够耀眼：所在���验室导师Maxine Eskenazi是对话系统的开山鼻祖，90年代做出了全球第一个实用化对话智能体；而他本人是实验室第三代系统的缔造者，2016年就率先用神经网络将延续了20年的系统改造成端到端生成式模型。当时进入学术圈当教授、大厂，几乎唾手可得。 但他选了第三条路——创业。而且是一条在当时几乎无人理解的路线：不做纯文本大模型，不追生成式AI的热潮，而是死磕“视觉+语言”的流式多模态。即便是当下，这也并非主流的技术路线。行业的主流叙事是“离线抽帧”：视频就是一帧一帧截出来当图片处理，推理是批量的、离散的、一问一答的。而赵天成从一开始就要做的是“流式”：视频像水流一样持续进入模型，AI自己一直在看，不用等人提问。 Flow推理速度优势 这是赵天成自己的判断。在CMU期间，他经历了雅虎10亿美金的多模态智能体项目，“那让我意识到多模态的价值上限会高很多，它就真的让你感觉这是一个活物，而不只是一个对话的系统。”回国后，他没有跟风当时国内AI公司扎堆的生成式对话模型赛道，而是坚定地把视觉和语言融合在一起，“这两个是主模态，至少90%的物理信息都覆盖掉了。” 五年里，从文本生成到文生图，从VLA到世界模型，AI赛道换了三四轮“当红炸子鸡”。2023年语言模型大火，有人曾拉他说“你以前不也搞语言模型的，为什么不出来做？”每一轮都有资本和同行劝他“转个方向更快变现”。 “我们的东西，在物理AI之前一直没有成为最火的东西。”赵天成坦言，“一直会有更火的东西摆在前面。”团队里也有小伙伴信心动摇，有人离开，但更多核心伙伴留了下来。留下来的这群人，多年如一日，始终围绕“V和L”这两个点持续产出。 五年后的今天，AI行业喊着要从“云端”回到“地面”，要深入产业，并真正产生价值，物理AI成为最热门的概念：2026年上半年，全球物理AI领域仅一季度融资就超过64亿美元；物理AI也开始多场景落地，工业机器人智能化升级、自动驾驶城市NOA大规模普及等端侧智能终端快速渗透……但在物理AI这场浪潮中，VLX系列模型是为数不多的，跑在端侧的流式多模态模型。它回答着一个根本问题：物理世界的AI，到底需要什么架构？ VLX系列模型是少数把三个闭环都跑通的公司：模型闭环，让VLX的Flow+Seek+Go在感知—定位—行动上自成一体，不是三个独立模型，是同一条视频流上不可分割的三个能力层；数据闭环，让百万级摄像头、无人机、机器人等真实业务场景持续回流端侧数据，反哺模型迭代；商业闭环，完成PMF，公司营收以亿为单位。 VLX三层定义 当产业的需求曲线与技术的积累曲线在2026年交汇，一场“长期主义与产业拐点的双向奔赴”也正式上演。而当物理AI终于从“概念炒作期”迈入“场景验证期”，赵天成和他的团队反而显得从容。这不是一个追风者的故事，而是一个关于判断力、定力，以及用多年时间验证的一个“反共识”判断的商业样本。 以下是36氪和赵天成对谈，对话经过编辑： Om AI联汇CEO兼首席科学家赵天成博士 物理AI的本质：模态，语义、几何、预测和决策 36氪：今年物理AI很火，世界模型是其中最热门的技术路线，但又派系林立，众说纷纭，你是如何看待？ 赵天成： 物理AI本身是一个很宏大的主题。从模型的角度来说，不管是什么路线，关键点在于要让其能够理解世界，这本身不是一个单点的事情。就像李飞飞这次发的博客，讲她理解的三条路线，并且最终这三条路线可能会融合在一起，而不是三个离散的东西。 在我们的定义里面，物理AI至少4种能力是必须具备的，第一，模型要认识它里面的内容，也就是语义信息；第二，要认识它的几何空间，知道3D形状是什么样的；第三，它能够去做决策和动作控制；第四，在前三者的基础上，它能够对未来的预测。 这次我们发布的模型为什么叫VLX，就是因为X代表无限可能，最起码是包含前面说的4种能力。现阶段网上流行的一种说法，VLA已死，世界模型已来，还是偏炒作为主。因为VLA这三个模态怎么会过时？视觉语言动作从概念上是永远不会过时的，但下面的方法肯定会不断变化，把方法和概念挂钩本身是错误的行为。所以我们的理念不是看表面，而是看本质，本质就是刚刚提到的4个核心模态，语义、几何空间、感知规划以及预测这4种能力都搞定了，物理AI也就来了。 物理AI本身是一个多维度的事情，比如预测也只是里面的一个维度，但这个维度的确之前做的人比较少，难度比较大。预测未来的画面会怎么发展，也就成了世界模型，这是当前比较有热度的事情，但这个事情其实也是建立在语义、几何这些基础能力上新增的能力。 36氪：物理AI的第一性原理应该是什么？ 赵天成： 物理AI的第一性原理，本质要看做什么事情。Om AI联汇想做一个在物理世界里面能够去感知、决策、执行的物理智能体，我希望无人机、机器狗、机器人等等物理终端，它们非常聪明，物理终端之间可以交互、能够完成任务，最��要的东西其实就看要实现这个目标到底缺什么能力。现阶段语言交互越来越好了，基本不会产生什么问题，但是只要涉及开放环境，它能不能自主导航，能不能灵巧地操作和不同物件做交互，这些事情之前几乎不太可能。 比如，物理交互场景下终端对实时性需求就很高，终端需要有决策中枢让它去快速决策。通过视觉中枢，实时接收外界信息，然后通过决策中枢可以自主决策此时此刻应该干什么，比如该开门还是说话等。 所以当前的物理AI，是一个大楼里面，只有框架但缺的砖块还很多，需要不同团队或者不同企业去添砖加瓦，形成完整的物理AI体系。单依靠某一个模型把全部物理AI都解决，我觉得不太现实，也不符合