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：所在实验室导师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，最重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，也不符合第一性原理。人的大脑也是分区分块的，语言模型现在这么强了，到应用层也是分区分块的，物理AI更复杂，所以更加需要产业的生态协同去完成这个事情。

云端AI与终端AI的区别

36氪：在你看来，在方法层不同路线在物理AI落地过程中最大的瓶颈是什么？

赵天成：世界模型或者别的云端模型有很大的价值，只是到终局的时候，物理AI被广泛应用的时候，必然有很强的端侧智能，这是我们相信的事情。因为物理世界本来就要交互，并且会带来很多严肃的后果。代码写错一字一行无所谓，但是机器人突然卡机不动或者摔倒了，后果是很严重的，就跟智驾一样，不能车开着就突然失灵了，这个是不可想象的。很多物理终端以后都要进入生活成为其中一个伙伴，全部由一个脑子控制也挺恐怖的，跟科幻片的反派一样，只要控制一个AI，所有终端都变成挟持人类的工具。

所以我们希望是分布式的智能，跟人一样，每个大脑都是独立的，自主的。但是核心在于云端模型之外，物理AI每个端侧它具备分布式智能，而且是在本地快速、安全的响应能力，这才是一个比较稳定的结局。这也是为什么我们觉得端侧有价值。

物理AI处于寒武纪，流式多模态

是Om AI最重要的基础能力

36氪：物理AI的竞争格局，你是怎么看的？

赵天成：物理AI特别像2016年的感觉，当时深度学习语言是刚刚突破，当时我也发了最早一批生成式的语言模型，在那个时候有很多思路，也有很多问题待解决，没有人知道唯一的、收敛的终局是什么，所以我觉得当前物理AI处在一个寒武纪，类似一个物种大爆发期。物理AI这个机会太大了，我不相信物理AI只有一条路，就一个方法，就聚焦在机器人一个载体上，肯定是百花齐放。

从技术侧来看，技术侧近几年通过VLM多模态的方式，在感知理解推理方面取得大幅度突破，可以做很多以前不能做的事情，但像世界模型，或者物理交互，方法又很不确定。现在既有已经突破的技术，完成从0到1的技术，也有很多需要解决从0到0.5的突破的点。现在刚好是一个交界点，从0到1的技术还没有开始规模化应用，又出现了很多0到1未解的问题。在这个点上，会有很多可能性，可以做底层突破，也可以是应用层，都有机会。

36氪：Om AI押注流式多模态，是场景倒逼还是自主选择？

赵天成：流式多模态是自己的选择。从问题本身出发，语言模型的核心计算单元是Token以字符串的方式处理，文本流打字聊天是可以的，因为信息是线性的字符串进来，但是到物理世界后，原生的信息输入就是视频流。视频流和文本流很不一样，文本流其实每个字都很重要，但是视频流里面大量的冗余信息，很多画面其实是没什么变化的。就像人眼看的时候，也不是每一个像素每一帧都在看，是一个自己抓重点的过程。视频流本身又是非常动态和物理世界直接对接的信息。而任何在物理世界好用的东西，交互肯定要比较丝滑，肯定要很快速地响应。物理世界是一个非常多模态的流式的交互的场景，在这个场景下面只用文本的token去做信息单元肯定是不太合适的事情，肯定需要有更加原生的方式去理解多模态的信息流。我觉得需要有不一样的技术栈和不同的方法去做才会更原生。如果用文本把信息流近似一下，就又回到了最老的那种比较笨的交互系统，又慢又傻。

所以，流式多模态我们一直觉得是非常重要的基础能力，也是最不可替代的底层技术之一。

36氪：物理AI是一个万亿级市场，Om AI瞄准的是哪一部分？

赵天成：如果用一句话来总结的话，我们瞄准的是“从成熟硬件向新兴本体纵深演进”的物理AI终端市场。我们是这么理解的，所有事情都得有基础，就如信息化没做的时候一定做不了数字化。所以物理AI的成熟落地，和终端的商业化成熟度有正向的关系。比如摄像头，在手机电脑等个人智慧终端，本体已经很成熟了，但是现在没有物理AI能力的。再往前走一点，到无人机或者机器狗，目前已经在应用但是属于比较新兴的终端，再往前，到真正的人形机器人，或者轻量级的可穿戴设备。Om AI对硬件终端的成熟度排序，与物理AI结合也是按照先成熟，后新兴的落地顺序排序。过去几年我们跟IoT摄像头、AI PC、个人终端这些成熟产品已经开始结合，现在已经开始向无人机和机器人布局。

这也是为什么我们觉得“一脑多形”的价值所在，因为“一脑多形”，才能把成熟的经验带到新的本体里面去。比如机器狗，其实本身没有什么数据，但是可以把过去上百万的摄像头或者PC的经验延续到机器狗上，让机器狗有个很好的起点，通过新的场景、新的数据反哺。市场爆发的点需要双向奔赴，硬件成熟了，AI也成熟了，结合在一起就变成了一个真正的物理AI终端。

36氪：这次WAIC，Om AI的参展计划和亮点是什么？

赵天成：此次重磅亮相的，是我们这次新发布的VLX模型系列。这也是我们过去一年多时间，最核心的技术突破。我们会同步展出在不同场景落地的终端产品。

36氪：VLX模型系列有非常多技术创新，实现了更小的模型更优的效果，这种效果是架构优化后的必然结果？

赵天成：这是我们能做基础模型架构创新的优势，很多时候大家动不了架构，所以会被卡脖子，当能动架构之后，就可以做一些不一样的事情。Om AI没有针对某个领域去专门定制，而是做成了一个通用模型，让模型能在多场景多领域泛化，但是对于某种特别需要的能力，我们会定制加强。比如老鹰捕猎和图书管理员对眼睛的使用需求是不一样的，OM AI很多模型架构创新就是为了解决如何让原生的架构适合干物理AI的活，包括流式的快速理解，快速推理，都是为了让模型原生的架构天花板变得更高。

  基于多模态训练方式，

能带来开放世界的泛化性

36氪：公司布局物理AI的契机是什么？

赵天成：第一个原点是2023年的时候，公司第三代模型出来。最早的时候，模型是基于大量的多媒体的数据去训练的，一开始的场景其实也是会偏媒体场景，比如视频剪辑，编辑查询等。2023年的时候有一个用户，说他有很多监控摄像头是用来做卫生管理的，能不能把数据接进来试试看。当时我们不太看好，因为以前很多同行也做了很多，感觉没什么好做了，但后来发现，其实就是一个简单的摄像头识别下面场景，基于上一代计算机视觉技术的小模型思路和解决方案，泛化性很差，远远没有想的渗透率那么高。我们尝试了一下，发现当时的模型泛化性已经比小模型好很多了，所以我们意识到，基于多模态训练方式，真的能带来一些开放世界的泛化性。这在广阔的物理场景下面，就是一个刚性需求，我们也以这个为起点，做了很多模型的研发。

36氪：产品发布后，公司上线了产品体验平台，后续有开源计划吗？

赵天成：有的，我们对开源非常重视的。我在学生时代就做了很多开源的工作。开源非常有利于产品进步。开源一方面是对产品自信的表现，说明产品进化速度很快，已经有更好的东西在做了。用户也会证明这是一个好东西，并为我们带来更多正面的声量。另一方面，用户的反馈对我们也是很大的帮助，我们会了解他们的卡点是什么，产品应该怎么更好地融合。总的来说，开源是一个非常好的机制，既带来了口碑与共识，也带来了反馈，也让整个市场更信任我们。开源本身也是促使AI在早期实现快速发展的原因。

36氪：模型从实验室到落地应用过程中，有哪些有趣的故事？

赵天成：故事比较多，经过了好多卡点。第一个阶段就是解决市场教育问题，多模态模型本身是一个全新的概念，机器视觉或者视觉本身并不是以前没有的东西，它也有上一代的技术，但随着通用多模态模型出来之后，以前很多不能干的事情，比如开放理解、总结报告输出等，现在都能干。在用户层面，一开始是完全无法理解，需要很多用户教育。以前我们发明了很多概念，一句话生成一个算法、视觉大脑、万物识别等等，各种名词想办法让用户更理解这个事情。

第二阶段，实验室里技术突破和用户能验收产品中间其实有很大的鸿沟。做学术的时候，从65分到70分，或者60分到80分就是重大突破或者革命性突破，但是到了用户层面，可能会觉得没有到95分都是垃圾，是没有意义的事情。从0到60到90可能很快，但是最后的一节，可能是最难的部分，需要很细致的模型训练方法改进，或者工程化的数据投入，才能把最后一节攻下来。本质来说，还是要把硬骨头啃下来，才能让实验室的模型过渡到产业级。

最后，还要实现产品理念的提升。很多模型还是模型，它是一个能力，是一个接口，是一个API，现在大家都说AI原生应用，这句话非常重要，如果还是以前那套软件后面加个能力，用户是感受不到的，或者感知很弱。只有当年ChatGPT出来后，创新了对话模式。多模态模型也是一样，要更加AI原生，从产品层面就要以AI人才去牵头做，才会让用户感受到产品的不一样。现在我们走到产品层面，也得用新的思路去干，才能让整个商业闭环走通。

36氪：公司主要落地了哪些商业化场景？

赵天成：我们的核心是“围绕视频密度高、硬件成熟度高的场景层层推进”。目前已经有的板块比如PC，通过赋能内容创作者，他们有很多视频剪辑编辑处理的需求；工业物联，让以前普通的摄像头，给它们装上大模型大脑，变成物理智能体……已经有很多的业务板块，目前重点拓展的是围绕具身智能场景，特别是机器狗、无人机等，本体已慢慢成熟，缺乏的是让它变成自主行动自主决策的物理Agent。

未来海外市场也是我们重点拓展的方向之一，我们在海外展会发现，中国的产品力非常强，特别是真正到端侧多模态，我们的模型有极大的优势。如果纯数字空间和海外产品对比，大家都很强，但是到物理终端场景下面，中国反而有优势，这个方向是有可能做到业务全球化的。

36氪：在商业模式上你的思考是什么？

赵天成：AI是一个新东西，商业模式肯定不能套用过往的经验。我们现在也有很多创新的模式。比如模型更新很快，用户是愿意付订阅费的。再往前走，当物理AI出来之后，也可以探索以结果付费的逻辑，产生了多少价值，赚/省了多少钱，采取分润的模式。

36氪：当前很多物理AI公司还未能完成PMF，公司如何做到已经实现以亿为单位的营收的？

赵天成：首先我们一直坚持初心还是有比较大的先发优势。可能国内大部分的认知到2024年的时候才知道有多模态模型这个事情，或者觉得这种技术路线是一件事，才有人去研究怎么用，怎么落地的事情。我们的研究会早很多，我从2018年已经在做多模态的研究，回国后2021年开始做多模态模型训练，我们比别人会早个三四年，技术储备、模型训练、应用场景探索，甚至市场教育，我们的先发优势都是基于非常有价值的多年积淀。2024年，很大一批人拿大的模型去调试、测试，会发现很多如成本高、速度慢的问题，他们会认为这个事情不能在物理AI场景应用，但我们基于具备原生创新的技术能力，对技术的理解深度会深很多。我想这是我们非常重要的核心优势。

  先把数据飞轮转起来，

在物理AI就是领先的

36氪：你如何看待未来的行业竞争？公司如何保持竞争优势？

赵天成：未来物理AI的场景肯定会越来越多人关注，竞争肯定会加剧，不管是新创立的企业，还是大厂。对于我们来说，当前技术还是一个高度变革的时期，方法完全没有到收敛期，团队还是很纯粹地在做底层技术的研究，这也让我们有非常大的人才吸引力，这点是未来要保持的。另一点是我们有比较好的先发优势，我们让更多的终端先用先跑，这是一个非常大的护城河，因为物理AI的很多场景，大家都没有过探索，先把数据飞轮转起来，在这个板块里面就是领先的。这也会产生一定的马太效应，把更多的资源、数据、客户，吸引过来。

36氪：公司有一段从技术到商业再回归到技术的思路转变，为什么？

赵天成：公司里面纯粹搞研究的同学，他们一直比较纯粹，但是对我来说我得负责整体，就会遇到双向的冲击和输入，是技术与市场预期之间的差距。所以市场化的过程中，好像模型也没有很重要，好像引以为傲的技术在里面只占了30%或40%的感觉。但回过头来看，这其实只是一个过渡期，客户真正买单的还是为智能买单，最终还是依靠模型能力。如果你的模型能力不是最好、最强的，后面就会失去最核心的竞争力。领悟这点后，就会来到第三阶段，上面的花架子也重要，但是不能没有最核心的点，只有把最核心的点做到最强，才能把规模做大。

36氪：从校园到现在，有没有哪个决策或时刻，你认为比较具有转折意义？

赵天成：第一个是毕业的时候，我研究做得很好，是当时最优秀的毕业生之一，不管是大厂做科研，还是去做教授其实是水到渠成的事情。但当时特别想做产品做创业，因为当时觉得模型做了很多，论文发了很多，却跟现实世界差距很远。

第二个是回国之后，在美国创业就是常规逻辑，做SaaS产品和创业公司打通就可以，但是回来之后我想还是要跟中国比较有优势的行业做结合，所以当时想是不是做点跟硬件结合的东西。于是我们就开始跟终端结合，现实的确做出一些在美国做不了的事情，当然这个路肯定更苦一些。

第三个是2024年的时候，以前公司的日子过得挺好的，当时也没什么人做这个方向的探索，2024年竞争一下就起来了，各类模型都出来了，这个时候要决定到底专攻哪个点。比较了云端的模型，端侧的模型，多模态的、语言的、视频生成的，我们觉得还是要坚持在流式多模态上面持续专攻，这个跟别人是有差异性的。虽然说它定位到端侧之后可能会有更多的挑战，不管是商业模式，还是软硬件结合会有很多的挑战，但是我们决定保持初心，押注物理AI，把流式多模态做成最核心的能力。

36氪：是什么原因让你一开始就坚定多模态这个方向？

赵天成：卡耐基梅隆⼤学语言技术研究所（CMU LTI）是做语言最出名的地方，我的导师90年代的时候做了第一个实用化的对话的智能体，它的第三代是我做的，2016年我把它从一个用了20年的神经网络系统替代成了一个生成式模型。在读博过程中，虽然也做了很多对话的模型，但我感觉它只是交互场景，比如聊天、情感陪伴等，离我想要的“活的”AI差了点东西。只是对话不产生价值，2017年左右，雅虎又一个多模态智能体的项目给了CMU，这个项目让我感觉到多模态价值上限会高很多。所以我觉得应该投在多模态，把视觉跟语言融合在一起。

跑得快、看得远、守得住

就在6月27日至29日连续发布了VLX-Flow、VLX-Seek、VLX-Go系列模型后，7月10日，Om AI联汇再次发布了VLX-Seek 1.5，这是专为无人机、机器人、机器狗、智能监控等真实具身场景进化的版本，相比1.0版本，1.5版本在模型架构、训练数据和推理效率上进行了系统升级，覆盖多种参数规模，能够兼顾轻量化端侧部署与高性能应用需求，在准确性、效率、可靠性和部署灵活性方面实现全面提升。

左右滑动查看VLX-Seek架构图、VLX-Go架构图

版本的连续发布，密集却不仓促，因为每一代模型的升级，背后都是多年流式多模态技术积累的自然释放。而从CMU的第三代对话系统，到物理世界终端上跑通的VLX模型，赵天成用多年时间完成了一次完整的商业验证：技术路线的选择、产业拐点的预判、端侧场景的深耕、数据飞轮的转动——每一环都经受了市场的检验。这个关于“判断力+定力”的商业样本，它的核心启示或许很简单：在瞬息万变的AI时代，能够抵达终局的人，不仅需要跑得快，更需要比市场更早看到未来，且从不偏离方向。