著者丨周磊
編集者丨セン・フェン
今年の初めに Byte の Seedance 2.0 がリリースされたとき、多くの実践者は「映画レベル」のフィルム品質に興奮し、衝撃を受けました。新しい創造的な青写真が彼らの目の前でゆっくりと展開していましたが、SenseTime の瀬古チームにとって、その日は「混乱した」一日でした。
SenseTime の共同創設者兼主任研究員である Lin Dahua 氏は、最近のインタビューで、投資家に会いに行ったり、業界カンファレンスに出席したりすると、ほぼ必ず同じ質問をされたと回想しました。「Seko と Seedance の違いは何ですか?」やったことありますか?
チーム内では「このまま続けるべきなのか?」という疑問の声がありました。
その後、物語は瀬古が単独でシーダンスと「戦った」だけでは終わりませんでした。 Seedance は 30 秒のビデオ クリップをトップレベルにレンダリングします。一方、瀬古氏はクリエイターを対象としており、最終的には脚本、絵コンテ、キャラクター設定、エピソード間のイメージの一貫性から構成される 100 エピソードの短編ドラマを配信します。これは完全なクリエイティブ プロセスです。
この問題を明確に考えた後、瀬古の人生はより良くなりました:インタビューの中で林ダーファ氏によると、この製品のユーザー数は今年7〜8倍に増加し、プラットフォームは1億回以上の再生回数を誇るショートドラマを制作しました。
Lin Dahua 氏自身は、大型モデル市場における SenseTime の人気について「最大ではないかもしれない」と率直に評価しています。この会社の路線は、業界で最もホットな方向に完全に従ったことはありません。
しかし、SenseTime には長年続く習慣があります。同社は今日に至るまで、製品の輸出を一切せずに、リソースの 20% を事前研究作業に投資しています。
これもある意味、一種の「種まき」です。種が地面に植えられたとき、収穫を約束する必要はありません。 Tang Xiaoou がよく話す、人生は道を見つける、「人生は自らの道を見つける」というフレーズが、この投資のロジックなのかもしれません。
Weibo Technologyと共同制作したコラム「Technology Talk」の最近のインタビューで しかし、全体を通じて手がかりは1つだけだ:リソースの20%とそれを裏付ける判断だ――出口がまだないにもかかわらず、なぜ一部の道には長い間歩く価値があるのか。
01
訓練コストは止められない、中国AIは手の速さで勝負
大手模型業界の資金は止められないほど燃え上がっています。
かつて業界では、優れたモデルをトレーニングするために多額の費用を費やしても、そのコストはその後の大規模なサービスで償却できるという共通の前提がありました。
Lin Dahua 氏はインタビューの中で、この仮定は真実ではない可能性があると指摘しました。問題は、モデルが十分ではないということではなく、「次のモデルをトレーニングし続けなければ、他のモデルがあなたを追い越してしまう」ということです。競争により、企業は次から次へと再トレーニングを強いられるため、トレーニングコストは止まらず、ますます高くなっています。
過去 1 年間の業界の言説は、「大きいほど強い」という考え方にほぼ支配されてきましたが、ボリュームパラメータの道は反撃されています。彼は次の 2 つのシグナルについて言及しました。
まず、モデルのサイズ選択がより現実的になりました。最近、GLM 5.3 Flash、DeepSeek 4.1 Flashなど、さまざまなメーカーがFlashレベルの中小規模モデルをリリースしており、GoogleやOpenAIも同様の仕様の製品をリリースしています。
Lin Dahua 氏はインタビューの中で DeepSeek のパフォーマンスについて特に言及し、「Flash 4.1 のパフォーマンス レベルは 4.0 Pro のパフォーマンス レベルより優れています。」数百 B 規模のモデルと十分にトレーニングされたトレーニングは前世代の Pro を上回り、中規模モデルの最適化スペースが使い果たされるには程遠いことを示しています。
第二に、トレーニング前のデータの品質が再び議論の対象になりました。実際の戦闘で、数千億のパラメータを持つモデルが 2 兆のパラメータを持つ敵を上回ったとき、多くの人がデータ パイプラインを振り返ってチェックし始めました。
これについて Lin Dahua 氏は鮮やかに説明しています。「(データには)多くの不純物があり、多くのもの同士が争っているため、中間の効率が相殺されてしまいます。」その結果、高価で満足のいかないモデルが出来上がりました。パラメータは積み重なっていますが、効果は向上しません。
「誰もがやみくもにパラメータを競うのは健全な状態ではないと思います。」同氏の見解では、これら 2 つのシグナルは、業界が合理性に戻りつつあることを意味します。業界はもはや単一の指標を中心に競争するのではなく、エンドユーザーの価値に立ち返るということです。
同様の状況は前回の AI サイクルでも発生し、SenseTime 自身がそれを経験しました。すべてのプロジェクトは、データ収集、特別なトレーニング、調整、テストから始める必要があります。プロセス全体をやり直す必要があり、これを完全に再現するのは困難です。当時の測定単位はプロジェクトでしたが、現在ではパラメータに置き換えられています。
ハンドスピードとの戦いは、関与のもう一つの形態です。米国の最先端の研究所が SOTA の上限を定義します。新しいモデルがリリースされれば、それは中国の開業医に道を示したことに等しい。同様のソリューションを使用すると主張する多くの製品が、環境上のニッチをつかむために中国で 2 ~ 3 か月以内に登場することがよくあります。最近人気の RSI (再帰的自己改善) も、多数の企業によって同時に構築されています。
「正直、手の速さを競うのはかなり疲れます。」 Lin Dahua 氏は、従業員全員が 1 つの方向に楽観的に取り組んでいると、長期的な価値を生み出すのは難しいと観察しました。 10 社の企業が同じ環境上のニッチを同時に占有すると、最初に参入した企業の配当はすぐに薄まってしまいます。
それでは、長期的な競争力は何に依存するのでしょうか?彼の答えは、「十分な長さと十分な深さのある道」です。この質問は、SenseTime の 20% リソースを理解するための出発点です。
02
知性の本質:
スケーリング防止法から言語とマルチモダリティまで
· 20% のリソースと空間知性
これら 20% のリソースは明らかに「輸出用の製品を持たない」仕事に投資されています。リン・ダーファ氏はインタビューの中で、センスタイムがどのような運営圧力に直面しても、資金は今日まで続いていることを認めた。 「いつでも、私たちは一定のリソースを保持しています。」
彼の言葉を借りれば、この種の仕事の出発点は「なぜ」を考えることです。既存の方法で問題を解決できない場合は、基本に戻ることです。彼は原理を説明するために複雑な数式を使用することを追求していませんが、この原理が「現在他の方法では解決するのが難しいいくつかの問題を効果的に解決できる」ことを要求しています。
SenseTime の研究方向の 1 つである空間インテリジェンスは、このようにして選択されました。
選択ロジックは 2 つのステップに分かれています。最初のステップは、その時点で最も強力なモデルをテストし、何がうまく機能していないのかを見つけることです。 2 番目のステップは、もう 1 つのレイヤーを調べます。これらの欠点は、データを追加することで補うことができますか?元のパスに沿ってデータを追加することでうまく実行できれば、アプリケーションとしての価値はありますが、原則に基づいたイノベーションをサポートすることはできません。どれだけデータを追加してもうまくいかない方向にのみ、実際の原理的な問題が隠れている可能性があります。空間インテリジェンスはたまたま後者です。
この一連の判断基準の起源は、彼の相続にまで遡ることができます。 Tang Xiaoou 氏が生徒に教えるとき、技術的な詳細について質問することはほとんどありません。彼が注目しているのはただ一つ、自分の作品と他の作品の根本的な違いを一文か二文で説明できるかどうかだ。 「世界に全く同じ葉っぱはありません。」技術的には、細部の違いを常に見つけることができますが、そのような違いによる革新的な価値は限られています。一言で言い表すことができない場合、それはおそらく本当のイノベーションではありません。
林ダーファ氏は、空間知性の「異常さ」は、ここではスケーリング則が失敗していることだと指摘した。
業界では、スケーリング法について公に疑問を呈することはほとんどありません。過去数年間の業界のコンセンサスは、ほぼすべての戦略がこの方向に賭けていることです。つまり、パラメータが大きいほど、データが多くなり、機能が強力になるということです。この文脈での「反スケーリング法」の提案は、少なくとも業界に 1 つの問題を再検討するよう促します。それは、単純にデータとパラメータを積み重ねる慣行に、インテリジェンスの特定の側面に気づかれない盲点があるかどうかです。
空間インテリジェンスに関連するタスクにおいて、SenseTime チームが観察した傾向はスケーリング則にまったく反しており、データが追加されるほどモデルのパフォーマンスが不安定になります。
当時のテストでは、モデルは視点取得タスクにおいて満足のいくパフォーマンスを発揮できませんでした。人が空間を移動するとき、目に見える変化を自然に予測します。遠くに移動すると、目の前の物体が小さくなるはずです。しかし、当時のマルチモーダル モデルにはこの種の予測はありませんでした。Google Gemini がネイティブ マルチモーダル ルートで知られ、最も優れたパフォーマンスを発揮する企業の 1 つであったとしても、さまざまな視野角やスケールでオブジェクトがどのような形で表示されるかを判断することもできません。
「それが黒い羊であることは認識できますが、別の角度から見たときに黒い羊がどのように見えるかについては答えることができません。モデルが覚えているのは、画像と意味論の間の大きな関連性です。遠くから見ると黒い羊のように見えますが、近くで見るとやはり黒い羊のように見えます。」
チームは関連データを追加し続けましたが、モデルのパフォーマンスは向上せず、「ますます混乱」していきました。セマンティクスのつながりは継続的に強化されましたが、データ間の空間的相関が欠如しており、モデルは目に見えるものすべてを説明するためにセマンティクスにますます依存するようになりました。データが多いほど、固化が深くなり、誤差がより安定します。
林ダーファが以前によく引用した例は、この固定化の結果を説明することができます。その時のモデルに6本指の写真を渡すと、GPT、Gemini、Grokの答えはいずれも5本指だった。モデルの判断パスは、まず「これは手のひらである」と識別し、次にトレーニング コーパス内の「手のひらには通常 5 本の指がある」というアプリオリに基づいて直接回答します。
同氏はまた、この問題は最新世代のモデルでは修正されている可能性が高いが、その背後にあるメカニズムは依然として有効であることを思い出させた。「意味論的な翻訳のみに依存しており、その後、この翻訳に基づいて他の推論が行われる」という。
今年の初めに SenseTime が空間インテリジェンス モデルをリリースしたとき、この方向性は外の世界の目から見るとまだ技術的な余地がありました。半年以上が経ち、業界も追いつき始めました。 GPT-6 のリリース後にコミュニティで広く議論されたいくつかの点、つまり Recurrent Transformer アーキテクチャの採用と、言語モデルに大量の具体化されたデータを注入した後に実証されたロボット駆動機能はすべて同じことを示しています。つまり、マルチモーダル機能と空間機能が最先端のモデルの中核に入りつつあります。
Lin Dahua 氏の見解では、これは SenseTime のルートが検証されたことを意味します。「GPT-6 は、私たちがたどる道が間違いなく価値があることを実際に証明しています。」 SenseTime のリソースは OpenAI に比べて桁違いに劣りますが、1 ~ 2 年の継続的な蓄積により、SenseTime は業界の他のチームとは異なるものを開発できると信じています。
空間インテリジェンスの特殊性は、より多くのデータとより深い固定化を伴う方向が原則に基づいたイノベーションへの入り口となる可能性があることをある程度示しています。 「異常」をたどって原理を見つけるというのが、センスタイムの技術的判断の考え方の一つです。この考え方をさらに一歩進めると、知性とは一体何なのか、その中で言語はどのような位置にあるのかという避けられない疑問に遭遇することになります。
· 言語とマルチモダリティ: 知性の本質は世界との相互作用です
ビッグモデルの出現以来、「言語が知能の鍵であるかどうか」が議論の焦点となっている。
リン・ダーファ氏は、言語は最も重要な人間の知識を構造化された方法で記号体系に注入し、「人間の知識と知性を非常に高度に表現したもの」であると信じています。知性の密度と効率が最も優れたキャリアとなる可能性があります。言語モデルは最も成熟したエンジニアリング経験と最も早い進歩を持っており、業界の注目を集めています。これも現実です。
しかし、言語だけでは不完全だと彼は考えた。賑やかな都会と静かな山林のように、人の体験は全く異なり、周囲の環境を言葉で詳しく説明することはできないかもしれません。最適なマルチモーダル モデルにポートレート写真を与え、数千語を含む可能な限り詳細な説明を生成させ、それをテキスト モデルに描画させるとします。同一の写真を生成するのは困難です。
彼はこの現象を情報スペクトル上の相補性であると要約しました。言語は凝縮された高密度の情報を運ぶのに対し、画像は凝縮されていない、または凝縮できない大量の情報を捉えます。
2 つのモードにはそれぞれ独自の効率的な領域があり、プログラムを作成して論理的推論を行うと、言語の効率が高くなります。美的感覚、空間構造の迅速な判断、視覚的な詳細の伝達により、画像効率が高くなります。フルモーダル入出力に関しては、まだ天井が非常に高いです。知性を失わずにそれらを組み合わせるには「コストと時間が必要」です。
林ダーファの見解では、知性の本質は人間が世界と対話する能力、つまり知覚、知識の記憶、多段階の推論、指示の発行、および複数の要素を組み合わせた複合的な結果です。人間の IQ テストの問題と同様に、質問も空間、記憶、推論などのさまざまな種類に分類され、知能のさまざまな側面を反映しています。
この定義に従い、3 年以上にわたる大規模モデルの開発を振り返ると、彼の判断は「バランスが取れていない」というものです。
数学、プログラミング、テキストやプログラムシーケンスとして記述できる長距離タスクに関しては、モデルは常人のレベルを超え、頂点にさえ近づいています。空間知能と物理知能はまだ初期段階にあり、ロボットは以前よりもはるかに速く開発されていますが、依然として単純な動作しか実行できません。
デジタル インテリジェンスから物理空間への移行は、技術的な判断だけでなく、そのテクノロジーが実際のユーザー シナリオで閉ループを実行し、市場テストに耐えられるレポート カードを提供できるかどうかにも依存します。
03
閉ループがある場合にのみ反復が行われます。
SenseTime のビジネスへの答え
SenseTime が AI の技術的判断を製品と収益に変えるプロセスを振り返って、Lin Dahua 氏は次のように述べています。
シャンタンの道は何も考えずに歩くことで作られます。
ビッグモデル時代、SenseTimeが支払った最初の「授業料」は「Discussion」と呼ばれる製品だった。 2023 年初頭にリリースされると、他のチャット製品と同様になるでしょう。林大華さんはかつてこの製品を妻に試してもらうよう渡したが、「話し合い」は近くのレストランを勧めるというナンセンスな話で終わった。
転倒の原因はすべてモデルの品質だけではありません。会話型プロダクトの基盤となるのはレビューや地図などの情報インフラですが、それはSenseTimeの才能ではありません。
2023年末には、センスタイムは大型モデル製品のコンテンツとインタラクションに注力し、業務コンテンツとエンターテインメントコンテンツの2つの方向に焦点を当てます。前者は現在、オフィス インテリジェント アライグマに成長しています。今年の中間決算発表によれば、この部分のビジネスは 6 ~ 7 倍に成長しています。後者は瀬古に成長した。
「創造」と「世代」の違いの背景には、実は瀬古のプレースタイルがある。美しい 30 秒のクリップを生成し、100 エピソードの短編を作成します。すべて、スクリプト、ストーリーボード、キャラクター設定、エピソード間の一貫性によって分割されます。 Seko は、クリエイティブなプロセスにおいて、統合された理解と生成、グラフィックスとテキストのインターレース思考などのテクノロジーを使用しており、基礎となるレンダリングは Seedance などの他のモデルに依存しています。生成の品質だけを比較することはできないため、それは独自のワークフローの一部になります。リン・ダーファ氏によると、クリエイターたちは瀬古氏を利用して1億回以上再生される短編劇を制作したという。
これらの製品選択をサポートするのが、SenseTime のクローズドループ手法です。 Lin Dahua 氏は、「何事においても、効果的に反復するには閉ループが必要です。そうでないと、ランキングだけが存在し、反復は行われなくなります。」と率直に指摘しました。今日ベンチマークでチャンピオンになるのは来月ではないかもしれません。この種の成果を保持することはできません。本当に残るのはユーザーが生み出す価値です。彼は、長い距離を一度に歩くよりも、小さなステップで速く走る方が良いという強化学習の原則を研究開発計画に翻訳し、反復速度と正しい方向が 1 回のスプリントの速さよりも重要であると述べました。
林ダーファさんは、人生で一度この変化を経験しました。彼の初期の論文では、20 または 30 の公式が標準でした。しかし、2013 年以降、この数は 5 件以下に減少しました。彼の判断基準は、「数学的な証明が美しいかどうか」から、「使用価値を差別化できているかどうか」に変わりました。
今年のSenseTime中間報告書では、「初利益」という公式声明を目にした。しかし、Lin Dahua 氏は、SenseTime が本当に懸念しているのは、SenseTime がより健全でより活力になっているかどうかであり、ビジネスの閉ループの反復は活力の現れの 1 つであると信じています。
1 + 市場での競争は非常に厳しいですが、それは創業者とビジネスの両方に成長をもたらします。
センスタイムの観点から見ると、製品とビジネスは生き物のようなものです。彼らが未熟なうちは無理強いはしません。私たちは、投資の増加を決定する前のシグナルとして自然成長を使用します。社内で事前に設定された指標に対して反復するのではなく、まず製品を市場に投入し、閉ループでテストします。
しかし、ビジネスのクローズドループは、ある程度までは「生存」の問題に答えるだけです。将来の競争に直面する中国の AI 企業は、蒸留後の時代における自社のポジショニングと長期的な競争力を見つけ、インテリジェンスの境界がどこにあるのかを明確に把握する必要があります。
04
手の速度に加えて:
中国のAIの長期的な競争力とインテリジェンスの限界
Lin Dahua 氏は、長期的な競争力を実現するためのパズルの最初のピースはオープンソースであると信じています。
2018 年の初めに、Lin Dahua 氏は MMLab でオープンソースの OpenMMLab を推進しました。これにより、この分野の代表的なアルゴリズムが統一ベンチマーク システムに組織化され、研究者が再現や比較実験という汚れた作業を省くことができました。このプロジェクトは後に、AI 1.0 時代で最も影響力のあるオープンソース アルゴリズム ライブラリとなり、何十万ものスターと何百万もの開発者によって使用されました。
数年後、大型モデルの時代に同じロジックが再び現れました。オープンソースの内生的な原動力は影響力です。影響力によって資金を集めたり、人材を採用したりすることができます。 DeepSeek のデモンストレーションにより、誰もがこの道を明確に見ることができます。客観的には、これにより試行錯誤のコストがコミュニティ全体に分散されます。モデルのトレーニングは研究開発コストの約 10% のみを占め、残りの 90% はさまざまな実験です。オープンウェイト化により、各企業は最先端のテクノロジーのレシピをより迅速に選択できるようになります。
これは、中国の総投資額が米国に大きく及ばないにもかかわらず、これほどまでに追いつくことができる理由も説明しています。林大華さんは「最大の心配は、道がどこにあるのかわからないことだ」と語った。道が見えたら、細部を詰めていくのが中国人エンジニアの強みだ。
しかし、オープンソースではトレンドに従うという問題を解決できません。林大華氏は、過去3年間の中国の大型モデルの主流の道は、米国が開拓した方向に最適化して革新することであったと率直に語った。産業上の価値は大きいが、「しかし、中国がより永続的な貢献をしたいのであれば、何か違うものを考え出さなければならない。」彼は、DeepSeek を肯定的な事例として使用しました。これは、大きなパラダイムという点では依然として標準的な LLM ルートですが、アーキテクチャの効率化において多大な努力を払ってきました。
同時に、モデル市場自体が参加者を受け入れることができません。コスト、多用途性、プロフェッショナリズムは、不可能な三角形を形成します。あらゆることができ、すべてを専門的に行うモデルは、必然的に巨大で高価になります。日常的なシナリオでは、広範な「インテリジェンス余剰」さえ存在します。80 億または 320 億のオープンソース モデルでほとんどのタスクを処理でき、ユーザーはそのために数十ドルのトークンを支払う必要はありません。 Hugging Face には 300 万人以上のモデルがいますが、それぞれに独自の生き方があります。
本当の分水嶺は蒸留後の時代に来るかもしれない。
Lin Dahua 氏は、蒸留のテーマは終わったと判断しました。既存の思考連鎖に関する質問は構築されており、次のボトルネックは新しい問題を生成する能力でした。これにより、数千、数万、さらには数十万の実際の作業シナリオを構築し、モデルが独自にタスクを探索して完了できるようになります。
この問題のボトルネックは、実際にはコンピューティング能力ではありません。中国はたまたま良い関係にある。生活と産業の多様性は世界でもまれであり、技術者の埋蔵量は世界最大である。低いところにある実を収穫した後、高いところにある実を人が木に登らなければなりません。
しかし、シナリオと人材はインテリジェンスの「幅」を拡大するだけです。知性の「深さ」は知性自体の成長率に依存します。
最近注目を集めているRSI(再帰的自己改善)はこれに焦点を当てているが、林ダーファ氏はRSIは知的成長の手段の一つに過ぎないと強調した。ボトルネックはトレーニングの自動化ではなく、進化の効率です。マシンは効果的な観測点を取得するために依然として大量のトレーニングを実行する必要があります。新しいスキルを習得するのに完全なトレーニングは必要ありません。現在のAIは、進化という点ではまだ人間から遠く離れています。この秘密が解明されれば、「AIの開発と競争の状況は大きく変わるだろう」。
彼はまた、現在の状況を無限に推定できるとは考えていません。大量の資源消費は遅かれ早かれ爆発の軌道に達するでしょう。既存の道が最後まで到達できるかどうかは未解決の問題です。
境界の拡大に関して、彼が最初に懸念しているのは、言語以外の様式が知性においてどのような役割を果たしているのかということである。この理解はまだ初期段階にありますが、その答えによってリソースをどこに向けるべきかが決まります。彼は、マルチモダリティと空間の統合に希望を置いています。単に生成するだけでは、視覚的な品質が向上するだけです。空間認識を思考プロセスに統合すると、知能がより完全になります。
知能がその限界を突破するには、ボトルネックは学習と進化の効率にあります。これはまさに人間が最も得意とする分野ですが、機械はまだはるかに遅れています。この質問に対する SenseTime の答えはすべてモデルに書かれているわけではありません。新しい人材を生み出し続けることができる組織自体が最も実行可能なインテリジェンスです。
林大華氏はまた、現時点での自分の最も重要な仕事は、若者のための環境を作り、存続可能な組織を守ることだと述べた。これは、SenseTime の 20% リソースの基礎となるロジックでもあります。つまり、積極的に種をまき、成長を保護するということです。この種は、製品、ビジネス、または組織内で成長する個人である可能性があります。センスタイムがやってきたことは、種が発芽し、生命が独自の方法で脱出するのを待っていることです。
Leifeng.com (パブリックアカウント: Leifeng.com)
Leifeng.com からのオリジナル記事、無断転載は禁止されています。詳細については、再印刷の手順を参照してください。
編集
スキャンして WeChat で著者をフォローしてください
メールを再送信 メールを変更




