VLX：一个端侧流式多模态模型的五年长跑

从监控画面的意外突破开始 2023年，Om AI联汇的一个多模态模型，在从未见过任何监控视频数据的前提下，却在安防场景中展现出远超专精小模型的理解能力。这不是偶然测试，而是一次关键验证：当模型不依赖特定领域标注、不靠海量垂类数据微调，仅凭通用多模态训练，就能在开放物理场景中泛化出真实感知力——赵天成博士由此确信，真正的物理AI，必须从多模态原生出发，而非在单模态基础上打补丁。 VLX：为物理世界重新定义模型架构 三年沉淀后，这一思路凝结为VLX系列——全球首个面向物理AI的端侧流式多模态模型家族。它摒弃“抽帧+离线推理”的行业惯性，从设计第一天起就锚定端侧算力约束，构建“Flow（持续感知）→ Seek（精准定位）→ Go（行动决策）”三层一体的原生流式架构。三个能力并非拼接，而是同一视频流上不可分割的连续层：视觉流实时进入，语义与几何信息同步解析，空间关系即时建模，动作意图动态生成。闭环不在云端调度，而在终端本地完成。 为什么必须是“流式”？ 文本以Token为单元，天然适合离散处理；但物理世界的输入是连续视频流——帧间大量冗余，关键信息隐于动态变化之中。人眼不会逐像素扫描，而是主动聚焦、跳读、预测。VLX的流式设计正源于此：它不等待提问，不静止分析，而是在运动中理解运动，在变化中预判变化。这种原生适配，让响应延迟压缩至毫秒级，也为实时交互、紧急避障、自主导航等严肃物理任务提供了底层确定性。 五年冷板凳：一条没人走的路 2019年，赵天成从CMU语言技术所博士毕业。导师是对话系统奠基人，他本人已主导重构三代对话引擎。留在学术界或加入大厂是顺理成章的选择。但他选择创业，并锚定一条当时几乎无人关注的路径：不做纯语言大模型，不追生成式热点，专注“视觉+语言”的流式融合。彼时行业主流是“视频即图片序列”，而他坚持“视频即时间信号”——必须让模型像生物视觉系统一样持续接收、选择性注意、在线更新。 物理AI不是概念竞赛，而是能力拼图 VLX不宣称自己是“终极世界模型”，也不否定VLA的价值。它定义物理AI的四个刚性能力基座：语义理解（看懂是什么）、几何建模（知道在哪里、多大、怎么连）、动作规划（决定做什么）、未来预测（预判接下来发生什么）。X代表延展性——当这四块砖垒实，才能支撑起不同形态的物理智能体。所谓“VLA已死”或“世界模型登顶”，本质是把方法论误认为本体论。VLX的路径是：先夯实基础能力，再按需增强，而非用单一范式覆盖全部。 端侧不是妥协，而是必然 云端模型擅长复杂推理，但物理世界不容容错：机器人失衡、无人机撞障、安防漏判，后果无法回滚。分布式智能不是技术偏好，而是安全刚需——每个终端需具备本地快速响应的“小脑”与“大脑”。VLX的端侧原生设计，确保感知-决策-执行链路全程脱离网络依赖，既规避延迟风险，也杜绝单点控制隐患。这不是算力受限下的降级方案，而是面向真实世界的架构升维。 商业闭环：从百万摄像头到机器狗 VLX的落地遵循“硬件成熟度梯度”：先赋能已量产的IoT摄像头、AI PC，让百万级真实终端成为数据飞轮起点；再迁移至无人机、机器狗等新兴本体，复用既有感知与决策经验；最终延伸至人形机器人等前沿载体。一脑多形，不是抽象口号——摄像头积累的空间语义理解能力，可直接迁移至机器狗的跨地形导航；PC端训练出的多任务协同逻辑，能加速无人机编队协作的收敛。营收以亿为单位，源于模型真正嵌入终端固件、驱动硬件升级、创造可计量价值。 开源不是姿态，而是进化机制 Om AI将开源视为核心产品策略。早期开源工具链降低了开发者接入门槛；后续开放部分模型权重与推理框架，加速场景适配反馈；未来计划分阶段释放训练方法与数据协议。开源不是交出护城河，而是拓宽护城河——用户的真实卡点、边缘场景的异常样本、跨行业的新需求，都在反向锤炼模型鲁棒性。一个被千行百业验证过的端侧多模态底座，其壁垒远高于封闭参数本身。 长期主义的答案：判断力与定力的复利 当行业在2023年狂奔向语言大模型，他们在打磨视觉流编码器；当2024年竞相推出VLA，他们已在端侧验证Flow-Seek-Go闭环；当2026年物理AI概念喧嚣，VLX已部署于工厂巡检、城市安防、消费级无人机等数十个真实场景。没有风口借力，只有五年如一日对“物理世界如何被AI理解”这一问题的持续深挖。VLX的启示很朴素：抵达终局的人，未必跑得最快，但一定看得最远，且从未松开方向盘。