機器之心報道

編輯：Youli

2003 年，美國哈佛商學院教授克萊頓?克里斯坦森在《創(chuàng)新者的解答》中提出這樣一個觀點：顛覆性創(chuàng)新常常通過讓復雜的產品或服務變得更簡單、更便宜、更易用，從而讓更多的人能夠參與進來……

之后的二十多年里，各路互聯(lián)網先驅都把這一觀點奉為圭臬，在一次又一次的技術變革中反復驗證。而進入新一輪 AI 浪潮，技術的發(fā)展像是按下了加速鍵，從架構到參數(shù)、從單一語言到多模態(tài)大模型、從基礎大模型到行業(yè)大模型……「卷生卷死」的背后是技術演進曲線的陡峭攀升，產品服務的層出不窮，而這一觀點仍然適用。

對于「更多的人」來說，技術的演變、發(fā)展更像是冰山下的「不可見」，他們更關心的是冰山上的「可見」：AI 具體解決了什么問題。

這也是各大互聯(lián)網廠商和新的模型玩家創(chuàng)新的出發(fā)點。淘寶是其中的一個典型玩家，具體做法是力求將 AI 功能融入到淘寶應用場景的每一個毛細血管深處，去解決每一個具體的用戶問題。為著這一目標，淘寶的 AI 技術團隊不斷發(fā)力。

今年 3 月，淘寶全面升級 AIGX 技術體系，具備基礎研究、應用開發(fā)和產業(yè)化的完整鏈條，覆蓋了 AIGI（索引）、AIGR（推薦）、AIGB（出價）、AIGA（拍賣）、AIGC（創(chuàng)意）、AIGD（數(shù)據(jù)）等電商商業(yè)經營所需的全部場景。用阿里巴巴中國電商事業(yè)群首席科學家、技術總裁鄭波的話來說，「AI 已經成為淘寶算法的基因。」

近日，在 CNCC2025 大會上，鄭波首次公開了淘寶全模態(tài)大模型的最新進展，并系統(tǒng)介紹了多模態(tài)智能在淘寶 AIGX 技術體系的研究應用。另外，結合 AI 模型技術在淘寶應用中的實踐，他認為，「狹義 AGI 很可能在 5-10 年內到來。」

以下為鄭波的主題分享內容，機器之心在不改變原意的前提下進行了整理。

AI 時代，生成式 AI 將帶來生產力的代際躍升

回望過去幾年，我們一次次被 AI 技術突破的速度震撼 —— 兩年多以前還在討論 ChatGPT，接著就是今年年初的 Deepseek、Claude Code，再到近期發(fā)布的 Sora 2，AI 技術的迭代速度之迅猛，仿佛每年都是一個跳躍式發(fā)展的時代。

如果我們將視線放遠，仔細翻看過去二十多年互聯(lián)網發(fā)展與變遷的「史書」，各種各樣的技術升級、產品迭代故事案例，其實都是在圍繞著技術發(fā)展與商業(yè)變革雙向驅動的螺旋軌跡演進。

PC 互聯(lián)網時代的關鍵詞是「數(shù)字基石」，開放式硬件架構、圖形化操作系統(tǒng)和軟件生態(tài)重塑世界，門戶網站與搜索引擎推動全民數(shù)字化啟蒙。而就是在這一時期，2003 年淘寶上線，正式開啟中國「電商元年」，并率先在搜索中應用機器學習模型，奠定技術驅動商業(yè)的基因。

等到進入無線互聯(lián)網時代，「時空折疊」成為這一時期的關鍵詞，智能手機與 4G 催生移動互聯(lián)網革命，信息流推薦與社交網絡打破空間限制，而淘寶也正式開啟移動端敘事。2013 年，手機淘寶實現(xiàn)雙 11 個性化推薦，推動首頁信息流化，「猜你喜歡」進入首屏，并開源高維稀疏框架 X-DeepLearning 等，引領行業(yè)技術標準。

再之后，從 AlphaGo 戰(zhàn)勝圍棋高手李世石，AI 浪潮興起，到 ChatGPT 開啟大模型敘事，Sora 引入多模態(tài)敘事，再到 DeepSeek 改寫大模型落地新篇章，以及近期 Sora2 的再次重磅來襲，不可否認，我們正站在一個全新的 AI 時代進程中……

如果用一個關鍵詞來形容，我們認為應該是「智能增強」。AI 時代以數(shù)據(jù)、模型和算力為引擎，「智能增強」使得人類與技術，第一次可以用「共生」來形容。

更為重要的是，與前兩次技術革命主要解決連接效率、便捷性的命題不同的是，AI 時代的最大驚喜，應該就是生成式 AI 對于生成力的代際提升。其中，「多模態(tài)智能」，正在成為最為關鍵核心的技術域，它使得 AI 能夠像人類一樣，綜合理解和生成文字、圖像、語音、視頻，實現(xiàn)從單一感知到跨模態(tài)推理的飛躍，以及產生交互行為，執(zhí)行復雜任務。而這意味著 AI 可以更自然地與人協(xié)作，更好地解決人類生活中的真正實際問題。

對于淘寶來說，從 2023 年起就開始大力布局 AI，自研多模態(tài)、搜推廣、視頻生成等大模型家族，通用能力已然達到國內第一梯隊水平。基于全面升級后的 AIGX 技術體系，AI 萬能搜、AI 試衣、萬相營造、廣告大模型 LMA 等 AI 產品和模型不斷涌現(xiàn)。

我們可以看到，技術創(chuàng)新驅動商業(yè)生態(tài)升級，而商業(yè)的海量場景反哺技術突破，形成「技術創(chuàng)造價值 — 價值反哺技術」的雙螺旋演進。

多模態(tài)智能是淘寶最重要的 AI 技術域，已在 AIGX 技術體系「深度應用」

今年 7 月，淘寶發(fā)布了一個名為 RecGPT 的百億參數(shù)推薦大模型，實現(xiàn)了生成式推薦（ AIGR ）的技術升級，并全面接入手機淘寶首屏「猜你喜歡」信息流。可以說，淘寶是業(yè)內第一個嘗試用 LLM 能力來「系統(tǒng)化」改造推薦算法的，也就是說，在其他玩家還在布局基礎模型的時候，我們已經在思考技術與場景的緊密結合，該如何使算法更懂用戶，讓用戶的購物行為更為「絲滑」。

具體來看是這樣，傳統(tǒng)推薦算法通過協(xié)同過濾、深度學習等，使用用戶同商品或內容的交互數(shù)據(jù)，來預測點擊和成交概率，計算效率高，適合結構化數(shù)據(jù)，但會受到歷史數(shù)據(jù)和冷啟動的制約，還容易陷入「信息繭房」。

生成式推薦算法，則基于多模態(tài)大模型，結合世界知識，來生成符合用戶偏好的新內容或個性化推薦序列。它的創(chuàng)造力強，支持多模態(tài)輸入輸出，能適應復雜非線性關系。

簡單來說，傳統(tǒng)推薦系統(tǒng)只能匹配現(xiàn)有實體來進行關聯(lián)和預測，更適合標準化、結構化的需求；而生成式推薦，能夠跳出原有的數(shù)據(jù)局限，生成新內容或動態(tài)策略，進行創(chuàng)造和推理，更適合多元化、個性化和發(fā)現(xiàn)性的需求，讓算法更懂用戶。

比如，當 RecGPT 發(fā)現(xiàn)一些用戶群體從去年 3 月開始持續(xù)購買嬰兒床、1 段奶粉、安撫玩具等商品，就會推斷出該用戶群體可能有寶寶出生。

因此，根據(jù)時間推斷，當寶寶可能滿 1 周歲時，系統(tǒng)會主動推薦學步車、3 段奶粉、早教玩具等適齡商品。而等到「雙十一」期間，系統(tǒng)則會結合用戶的歷史品牌傾向和店鋪關注，精準推薦冬季童裝的優(yōu)惠組合。

之所以能夠做到這樣，是因為我們的推薦大模型 RecGPT 以淘寶百億參數(shù)的多模態(tài)大模型為基礎，對 10 萬量級的上下文進行總結，理解長達十年的用戶在淘寶的行為信息，全模態(tài)認知數(shù)以億計的商品信息，再結合世界知識進行推理，為用戶推薦之前沒看過甚至沒想過、但又有潛在需求的商品。

又比如今年 8 月，在有些天文愛好者還不知道 9 月 8 日將會迎來月全食的時候，他們的信息流推薦中已經出現(xiàn)了月全食觀測設備……

可以說，不同于傳統(tǒng)推薦，RecGPT 更像個貼心的生活小助手。

最新數(shù)據(jù)是，搭載 RecGPT 大模型的推薦信息流，實現(xiàn)用戶點擊量增長超過 16%，用戶加購次數(shù)和停留時長則提升 5% 以上。

在多模態(tài)生成方面，AIGC 正以前所未有的效率重塑電商場景的內容生態(tài)。

我們可以結合具體的案例來看一下。

商家有一條碎花連衣裙，且只有一張普通的平鋪照片，以往情況下，在商品頁面也只能這樣展示，但現(xiàn)在不同了。僅基于這樣一張照片，系統(tǒng)便能夠匹配生成一個虛擬模特，之后生成多張模特穿著此連衣裙，在不同場景的擺拍照片。

更進一步，視頻生成模型還可將照片生成為視頻片段，并根據(jù)首尾幀生成視頻轉場，再生成虛擬模特講解視頻之后，多模態(tài)劇本生成和自動剪輯技術將全自動的制作出一條完整的「帶貨視頻」，從而大幅降低商家的內容制作成本。

一件普通的連衣裙，可以全自動制作出完整帶貨視頻的背后，便是淘寶自研的專注電商的視頻生成模型 ——淘寶星辰?視頻生成模型。從第一版推出以來，以其懂客戶、懂電商的特點受到廣大商家的歡迎。

此次，我們推出了升級版 ——淘寶星辰?視頻生成模型 3.0，這一版視頻生成模型采用了更緊湊的 16x16x4 時空壓縮 VAE，在大幅增加 DIT 參數(shù)的情況下，保持推理的高效。此外，高品質、類別平衡的訓練數(shù)據(jù)，搭配大幅提升的語義理解模塊，使得模型動作更加靈動，語義更精確，畫面更原生。升級后的版本即將上線淘寶多個電商產品。

不僅如此，要全自動生成前面的帶貨視頻，需要優(yōu)秀的多模態(tài)模型，一方面要理解圖像和劇本，另一方面要支持音視頻等輸出，這也離不開全模態(tài)大模型「TStars-Omni」的功勞。我們的「TStars-Omni」支持輸入文本、圖像、視頻、音頻，輸出文本和音頻，能夠極大程度對齊人類感官。

• 在 LLM 方面，我們采用 MLA 和 MTP，顯著提升了模型的吞吐，提供了極致性價比的模型基座；
• 視覺編碼器方面，支持原生分辨率輸入，很好適配了不同尺寸、不同寬高比的圖片理解；
• 音頻理解方面，重點打磨語音識別能力，尤其是電商場景的用戶語音，在中英文混合、方言、背景多樣等方面重點優(yōu)化；
• 語音合成方面，重點優(yōu)化情感合成、音色克隆等能力，打磨特色音色，應用到廣告短視頻配音等業(yè)務。

此外，基于 TStars-Omni 模型，我們打造了全面的商品理解，輸入商品的所有多模態(tài)信息，包括標題、圖片、屬性、詳情頁圖文等，可以生成商品各方面的理解，并進行深度推理。

比如，當用戶分別輸入一張冰箱和廚房的平面圖后提問：「我可以把這個冰箱放進我的廚房嗎？」TStars-Omni 模型就會對圖片進行分析推理，繼而回答可以還是不可以，如果答案是「無法直接嵌入」后，還會給出相關的建議和提醒。

接下來，再來介紹一下我們的 AI Agent ：iFlow CLI。iFlow CLI 的核心理念是「一個內核，多種應用方式」：程序員可以把它當做 terminal 命令行，也可以作為 IDE 插件，業(yè)務開發(fā)者則可以通過 Agent SDK 快速集成。這種設計讓不同用戶都能找到適合自己的使用方式。

另外，iFlow CLI 打造了一個開放平臺，真正做到開箱即用。通過內置的 Hooks、各種輸出樣式、智能體市場和命令市場，用戶可以直接安裝使用。同時非常安全，從結果準確性到權限管控，讓大家用得安心。更重要的是，iFlow CLI 提供完全免費的多款國產模型。

在性能表現(xiàn)上，我們針對國內開源模型進行了深度優(yōu)化。在多項基準測試中，iFlow CLI 相比 Claude Code 等工具在使用國產模型的情況下都展現(xiàn)出了更優(yōu)的綜合性能。iFlow CLI 遠不止于編程，它可以應用到廣告創(chuàng)意、學術寫作、旅游攻略制定，甚至流程圖繪制等各種場景。關鍵的一點，iFlow CLI 面向個人用戶永久免費開放。

綜合以上的分享可以看出，多模態(tài)智能已經在淘寶 AIGX 技術體系發(fā)揮著越來越重要的作用。

這背后正是淘寶對于技術發(fā)展與商業(yè)變革雙向驅動的發(fā)展趨勢的判斷。我們認為，面對未來在生活消費場景越來越復雜的任務，用戶需求將呈現(xiàn)跨模態(tài)、具身化演進，多模態(tài)的理解和生成將成為標配，也唯有多模態(tài)智能，才能支撐「所想即所得」的終極消費體驗。

淘寶一直致力于建設「萬能的淘寶」，我們也將構建全球領先的多模態(tài) AI 能力體系 —— 這不僅是技術演進方向，更是生態(tài)級電商平臺的升級所必需。

更為重要的是，經過不斷在自家內部場景打磨、驗證后，淘寶還想與業(yè)界一同「共享」AIGX 技術體系的創(chuàng)新能力。

技術開放與生態(tài)共振

今年 6 月，淘寶正式開源了全新一代強化學習訓練框架 ROLL（Reinforcement Learning Optimization for Large-scale Learning）。

ROLL 以用戶體驗為核心設計理念，專為「高效?可擴展?易用」而打造，徹底打通從小模型到 600B + 超大模型的 RL 訓練落地路徑，在諸如人類偏好對齊、復雜推理和多輪自主交互場景等關鍵領域顯著提升了 LLM 的性能，同時具備超高的訓練效率，已在淘寶多個內部業(yè)務場景中應用，為業(yè)務創(chuàng)新提供了強大的技術支持。

而在 10 月初，我們的生成式預估訓練框架 RecIS 也正式開源，這是一個專為超大規(guī)模稀疏 - 稠密計算設計的統(tǒng)一架構深度學習框架，基于 PyTorch 開源生態(tài)構建，為推薦模型訓練，或是推薦結合多模態(tài)大模型訓練提供了完整的解決方案，且已廣泛應用在阿里巴巴廣告、推薦、搜索等場景中。

不難看出，淘寶正在逐步將內部場景驗證后的能力向外部釋放，形成生態(tài)擴張動能，從而促進整個行業(yè)加快邁向「超級智能（ASI）」時代的步伐，這是整個人類的星辰大海。

從過去兩年多的發(fā)展來看，AI 處理問題的復雜度每年以 5-10 倍速度增加，而 AI 的錯誤率每年降低 50%，模型 inference（推理）的成本每年也降低一個數(shù)量級。

假如我們把 「超越人類智能」定義為 ASI，把「在多數(shù)開放環(huán)境任務完成度超過 95% 的人類」定義為狹義 AGI，那么，如果模型能保持這個速度進化，狹義 AGI 很可能在 5-10 年內到來。