最神秘国产大模型团队冒泡，一出手就是万亿参数MoE，两款应用敞开玩

衡宇 艳艳 发自 凹非寺 量子位 | 公众号 QbitAI

国内基础大模型创业公司，最后一位强实力选手终于正式来到台前。

它就是微软前全球副总裁姜大昕所创办的阶跃星辰。

一年前，量子位就对这位大牛的创业动向有所耳闻。

姜大昕在微软工作16年有余，曾任职微软全球副总裁，微软亚洲互联网工程院（STCA）首席科学家，全面负责微软必应搜索的技术研发工作。但就是这么一位风云人物，此番创业，却有不少令人费解的动作。

一来，他在微软职级极高，在微软混得风生水起，怎么想不开创业？

二来，阶跃星辰已经成立一年，但在百模群战的2023年，这家公司低调得近乎隐形。不仅没有主动对外发声，连量子位在圈内打听消息也探不得虚实。

现如今，大模型五虎已经初成格局，市场的注意力已经被瓜分不少，阶跃星辰的亮相才姗姗来迟——会不会晚了？

会者不晚。

一出手，阶跃星辰就亮出了自己蛰伏水下一年沉淀的成绩：

千亿模型有了，ToC产品有了，万亿模型在路上，且通往AGI的路也十分明确：

走一条“单模态—多模态—多模理解和生成的统一—世界模型—AGI（通用人工智能）”的路。

2款C端产品全面开放使用

阶跃星辰的产品是什么？

不玩虚的，一露面，阶跃星辰就直接带来了2款面向C端市场的应用：

跃问和冒泡鸭，均全面开放使用。

它们一个是聊天类应用，定位个人效率助手。

一个是AI开放世界平台，提供海量智能体，主打一个休闲娱乐。

具体效果怎么样？火速注册登录，量子位带大伙一睹为快。

先来看效率工具跃问。

第一轮基本问答我们让它对比一下ChatGPT和Claude的不同，重点：以图表形式呈现。

结果很快啊——

不止是开发公司、模型结构、文件读取能力这种硬性对比，也有专注方向、创新水平、安全性等偏主观的总结，一共14个小项，主打一个全面：

第二轮看看联网、信息检索能力。

和很多大模型一样，跃问的知识库信息只截止到2023年，后面的信息自然只能现搜了。

“今天的天气如何”太简单，我们直接问它马斯克脑机接口公司的进展如何。

结果，准确检索到1月份首位志愿者植入芯片的重大事件。

不过不知道是不是对“重大进展”这一词有不同理解，跃问没提几天前这位志愿者可以打游戏的报道。

我们追问之下，它倒也准确“交代”出来，包括志愿者名字、玩的什么游戏——除了游戏，下象棋7胜4负的事儿也一并提了。

第三轮：文件处理。

身处AI科技圈，最新论文和大佬教程我们自然要紧跟步伐。

先用OpenAI前科学家Karpathy不久前的《从头构建GPT Tokenizer》视频摸摸底。

直接给俩小时长的视频目前没有哪个大模型能直接解析，我们还是上传字幕文件。

很快，全英文的内容跃问刷刷刷地就总结完毕：

仔细帮大家验证了，里面提到的例子都有都对。用起来相当给力。

对于论文来说就更简单了，直接给arXiv的链接就行。

一篇8.3万字（基本满足日常所需）的大模型微调方法论文（《AutoFT: Robust Fine-Tuning by Optimizing Hyperparameters on OOD Data》）丢进去，最核心的内容几秒便可知。

至于数据处理，如下图所示，图片转表格、净增长率计算，这种需要复杂逻辑推理的任务，跃问用代码的方式轻松解决。

最后，大家关心的多模态：

解读表情包，easy。

挑战一下投资机构整理的AI视频公司全景图。

别看logo们字体五花八门，跃问不仅迅速识别，还按照原图归门别类，阅读起来相当清晰。

相比之下，有同类选手不仅识别漏洞一个接一个，格式也完全顾不上。

总的来说，说起目前市面上的AI个人效率助手，已经不算少。但跃问，该有的功能不仅有，在多模态、长文本理解上也能做得更好。

并且最重要的是：免费！

使用起来没啥限制，目前也不用担心宕机、模型“太累了”回答不出问题（手动狗头），所以完全不失为一个优秀的平替。

至于冒泡鸭，它有app版也有web版。

平台上载有各种由多模态大模型驱动的智能对话体，可以进行各种有趣的对话、也可以探索有趣的剧情互动游戏（“戏精”们有福了）。

实在不够，还可以自己上手创建：

官方也提供了非常详细的上手文档，包教包会。

我们浅试了《逃离精神病院》这一剧情。

和AI的对话相当流畅、沉浸，让人一不小心抬头看时间才发现已经玩了好久。

（不瞒您说，量子位开了好几轮都没能成功逃出“精神病院”，难度还是有亿点点的。）

对于大模型产品，姜大昕表示：“我把模型和产品的关系比喻成灵魂和皮囊。大家一定听过一句话，好看的皮囊千篇一律，有趣的灵魂万里挑一。我们希望灵魂能更加有趣一点，才能显示出产品的不同。”

那么，跃问和冒泡鸭背后的“灵魂”——大模型们长什么样？

“铁人四项”攀登万亿参数模型

冒泡鸭和跃问的背后，是阶跃星辰已经成熟的两款千亿参数大模型。

该公司将其称为Step系列通用大模型，分别是Step-1千亿参数语言大模型，以及Step-1V千亿参数多模态大模型。

一路看来，阶跃星辰训模型的路，走得出奇的顺。

去年7月起，研发团队正式开始训练模型。

2个月后，综合性能超过GPT-3.5的千亿参数大模型Step-1，一次性训练成功。

在大模型遍地开花的时代，听起来拥有一个模型并不是什么难事，但短时间内一次成功，这种效率仍然令人咋舌。

姜大昕把原因归结于两点。

• 一是团队本身在AI领域有经验和积累；
• 二是创业公司团队精悍，能对训练中遇到的问题及时沟通与反应。

这次成功极大地鼓舞了团队的信心，“这验证了我们的方法是正确的。”

再2个月后，也就是去年11月，千亿参数的多模态大模型Step-1V又告成。

Step-1V大模型可以精准描述和理解图像中的文字、数据、图表等信息，并根据图像信息实现内容创作、逻辑推理、数据分析等多项任务。此外，它还能理解视频中的内容。

上海人工智能实验室推出的大型模型评估平台“司南”（OpenCompass）多模态模型评测榜单显示，阶跃星辰研发的Step-1V位列第一，性能比肩GPT-4V。

“千亿参数的GPT-3.5模型是一个重要的分水岭。”姜大昕表示。

模型要达到GPT-4的万亿参数规模，各个维度的要求都上了一个台阶。

譬如，训练万亿模型需要等效A800万卡单一集群，进行高效稳定的训练；需要十万亿tokens的高质量数据；需要驾驭好新颖的MoE架构。

姜大昕称，以上几点，无论是有哪一点有所不足，都会导致Scaling Law难以向上攀登。

但是！

就在前几天的全球开发者先锋大会开幕式上，阶跃星辰又给出了万亿参数MoE语言大模型Step-2的预览版——这也是国内初创公司，首次交出的万亿参数模型答卷。

姜大昕介绍，Step-2从去年12月启动训练，目前训练稳定，待完全训练完毕和打磨成熟。

“我坚信Scaling Law，（会）训练更大模型。”姜大昕谈到，团队追求的是多模理解和生成的统一，“Step系列大模型将为多模理解和生成的统一奠定坚实基础。”

基于实践经验，团队把攀登Scaling Law称为一个“铁人四项”般的超级工程。

哪四项？

算力、系统、数据、算法。

而阶跃星辰自然有自己熟稔的打怪套路。

算力方面，通过自建机房+租用算力，积极进行算力储备；

系统方面，团队核心成员实践过单集群万卡以上的系统建设与管理，训练千亿模型的MFU（有效算力输出）达 57%；

数据方面，数据团队核心骨干出身必应搜索引擎，曾支持全球100多种语言，为200多个国家和地区提供服务，对全球互联网高质量语料的分布有深入了解，并建立起强大的数据处理和知识图谱流水线；

算法方面，团队不仅能驾驭各种架构，比如万亿参数的MoE架构，而且对大模型的认知以及发展路线有深刻洞察。

不想只在时代的风中凌乱

面对铁人四项和多模态融合之路，阶跃星辰就这么默默进发了一年。

那么，是什么样的团队行进在这条Scaling Law之路上？

量子位得知的消息是，阶跃星辰现在已经有一支150多人的队伍。

领队者姜大昕，现任阶跃星辰CEO，同时也是团队算法负责人。

2005年，姜大昕获纽约布法罗州纽约州立大学计算机科学博士，在机器学习、数据挖掘、自然语言处理、生物信息等领域有丰富的经验和工程经验。

博士毕业后，他先后任南洋理工大学担任助理教授，MSRA（微软亚研院）研究员。

2011年开始，姜大昕转入微软亚洲互联网工程院（STCA）工作。

该中心主要负责微软全球产品的研发工作，包括必应搜索引擎、智能语音助手Cortana、Azure认知服务以及Microsoft 365的自然语言理解系统等。

去年3月，姜大昕正式升任为微软副总裁，同时兼任亚洲软件技术中心WebXT S+D（网络体验、搜索和分销）集团总经理。

——是的，你没听错，刚刚被升职，明明可以在微软干到退休，却跑出来创业了。

“在微软，只能基于OpenAI的模型做工作。”姜大昕回忆，即便是微软和OpenAI的关系，使用其模型也只能调用API，对黑盒里的秘密、模型算法的修复/迭代建议，完全插不上手。

我当时感觉整个世界在我身边呼啸而过，都在往前冲，我在原地很茫然，留下自己在风中凌乱，我不知道我在干什么。

琢磨再三，姜大昕决心不能再被动地风中凌乱。

于是，离开微软；于是，躬身入局。

有了创业想法的姜大昕，与现在阶跃星辰的数据负责人焦斌星“密谋”两个多小时，一拍即合。

焦斌星同样出身微软，是中科大和MSRA联合培养博士。

博士毕业后，焦斌星正式入职微软，是微软必应引擎核心搜索团队前负责人，日常工作主要是利用数据挖掘和NLP算法优化索引和搜索质量；也曾开发全球高质量站点的自动挖掘算法并用于索引和排序。

还在微软时，他二人就听说过外界盛传大模型时代的“数据荒”，即Scaling Law所需的数据不够用了。

当时，他们不以为然。有搜索引擎背景在，眼见互联网有上亿、上万亿的网页网站，怎么会不够用？

等到自己置身其中时，发现是真的不够用（笑死）。

好在现在既可以从多模态数据中挖掘更多数据，也可以像OpenAI训练Sora那样使用人造数据。

核心团队的另外一位成员，朱亦博，此前拥有多次单集群万卡以上的系统建设与管理实践经验。

他博士毕业于美国加州大学圣芭芭拉分校，曾任微软研究院研究员。

在这一波浪潮袭来之前，他的工作主要面向大规模系统以及超高速度性能网络。

2018年，他任职字节跳动，负责公司AI基础设施与基础AI框架，开始积累万卡集群的搭建经验；2022年底，他离开字节，跳槽至Google任高级主管，直接支持OpenAI最大劲敌、Claude的背后公司Anthropic。

可以说，阶跃星辰三位核心骨干的经历十分相似，就是第一阶段（博士期间）进行相关研究，第二阶段进入大厂在一线打拼，一直都在和AI的最新进展亲密贴贴。

当ChatGPT引领的大模型时代开始时，他们都意识到这是一个大变革，因此以最快速、最灵活、最全面的方式投身变革当中。

如果AGI是一个需要长期攀登的山峰，看到正确的路径，建立正确的能力，比早走几步更加重要。