[独特性陷阱中的国家级AI]Naver后续风波…多模态竞争日趋激烈②

View original image

“政府‘独立AI基础模型（独파模）’项目二次遴选过程，将会是一场‘多模态’之战。在一次遴选中目睹Naver落选的各支精英团队，今后一定会用犀利的目光盯着彼此，看看是否会重蹈覆辙。”

据信息技术业界28日消息，如果说在一次遴选过程中，各精英团队是以文本为基础的超大语言模型（LLM）展开竞争，那么在下一阶段，它们计划升级为能够综合理解图片和视频的多模态模型，并进一步尝试能理解语音在内的一切信息的“全模态（omni-modal）”模型。由于要在短时间内以独立方式完成这一过程，比此前阶段更为艰巨，一次入选的LG AI研究院、SK电讯、Upstage等目前都在尽量减少战略外泄的前提下推进开发。

首尔大学电气·信息工程系教授 Han Bohyung 表示：“各家公司开发过程可能各不相同。在一次评估中，基础是语言模型，而Naver（NAVER）为实现差异化，选择了全模态方向，在这一过程中引发了编码器抄袭争议，并因此饮恨落选。正因为如此，接受二次评估的精英团队更应全力以赴。”

如果说既有团队以文本为基础，那么接下来的课题是要在AI模型中实现由图像、视频、语音构成的对话，因此各公司的技术实力差距可能会显现出来。尤其如同在Naver Cloud案例中所见，即便使用开源，政府也已明确表态：如果直接照搬已训练好的权重将会被扣分。在这一立场之下，竞争对手们的动作愈发频繁。

AI业界一位相关人士指出：“在打造出LLM之后，持续再投资、长期维持高质量模型的能力非常重要。从这一点看，具备基础设施的Naver一直被视为强有力的夺冠热门，但最终Naver引入了中国阿里巴巴Qwen的视觉编码器，并直接使用其权重，因此遭到淘汰。由此可见，其他公司的苦恼也将持续。”

一位要求匿名的AI业界代表表示：“在一次遴选过程中，相较于以文本为基础的其他模型，Naver提出了全模态方案，而其他竞争公司在文本之后的阶段，也不能排除会暴露出与Naver同样问题的可能性。一旦多模态竞争正式展开，围绕编码器和模块层面的独立性争议，很可能会再度上演。”

View original image

随着“二次评估的核心变数，可能是超越文本基础LLM、覆盖图像·语音·视频的模型”这一观点在业界扩散，无论是主要精英团队还是挑战者阵营，整体上都在加快多模态准备的步伐。

LG AI研究院一位高层关系人表示：“从Exaone 1.0开始，我们就在着眼多模态来开发模型，相关技术也已经到位。与其他联合体在二次评估前还需要重新思考如何实现多模态不同，我们更接近于在对既有积累的技术进行高度化的阶段。”

SK电讯同样将多模态作为二次评估的主要支柱进行准备。SK电讯精英团队以拥有逾5000亿参数的LLM“A.X K1”为先导，在一次评估中证明了性能，计划从第二阶段开始，以图像数据为起点，依次应用多模态。从识别并摘要论文、业务文档图像的功能起步，计划在下半年之后，将处理范围扩展到语音和视频。

在Upstage与 Trillion Labs 等初创公司阵营，多模态准备也在推进中，但其切入方式更为谨慎。Upstage副社长 Kwon Soonil 表示：“在开发过程中，也可能判断为提前引入多模态更好，这部分是相当灵活的。关键还是要先打造出知识水平高的模型。”以独立性为旗帜再次挑战公开招募的 Motif Technologies 代表 Lim Junghwan 强调称：“我们是唯一一家既有开发高性能LLM，又有开发大型多模态模型并将其作为基础模型经验的初创公司。”

相关文章

[独特性陷阱中的国家代表级AI]“可供参考”……政府提出折中方案①

递交申请、竞逐追加精英团队席位的 Trillion Labs 也在着眼多模态模型，持续推进技术准备，并同步增加开发者招聘。Trillion Labs相关人士补充说：“关于视觉语言模型（VLM）等多模态模型的研究，内部早已在进行之中。如果成功入选精英团队，开始正式思考第二阶段，那么将图像等非文本数据相结合的多模态模型，也必然会成为重要选项。”

版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。