AI不再「炫技」，淘寶要讓技術(shù)解決用戶每一個(gè)具體問題

機(jī)器之心報(bào)道

編輯：Youli

2003 年，美國(guó)哈佛商學(xué)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(gè)觀點(diǎn)：顛覆性創(chuàng)新常常通過讓復(fù)雜的產(chǎn)品或服務(wù)變得更簡(jiǎn)單、更便宜、更易用，從而讓更多的人能夠參與進(jìn)來……

之后的二十多年里，各路互聯(lián)網(wǎng)先驅(qū)都把這一觀點(diǎn)奉為圭臬，在一次又一次的技術(shù)變革中反復(fù)驗(yàn)證。而進(jìn)入新一輪 AI 浪潮，技術(shù)的發(fā)展像是按下了加速鍵，從架構(gòu)到參數(shù)、從單一語言到多模態(tài)大模型、從基礎(chǔ)大模型到行業(yè)大模型……「卷生卷死」的背后是技術(shù)演進(jìn)曲線的陡峭攀升，產(chǎn)品服務(wù)的層出不窮，而這一觀點(diǎn)仍然適用。

對(duì)于「更多的人」來說，技術(shù)的演變、發(fā)展更像是冰山下的「不可見」，他們更關(guān)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(wǎng)廠商和新的模型玩家創(chuàng)新的出發(fā)點(diǎn)。淘寶是其中的一個(gè)典型玩家，具體做法是力求將 AI 功能融入到淘寶應(yīng)用場(chǎng)景的每一個(gè)毛細(xì)血管深處，去解決每一個(gè)具體的用戶問題。為著這一目標(biāo)，淘寶的 AI 技術(shù)團(tuán)隊(duì)不斷發(fā)力。

今年 3 月，淘寶全面升級(jí) AIGX 技術(shù)體系，具備基礎(chǔ)研究、應(yīng)用開發(fā)和產(chǎn)業(yè)化的完整鏈條，覆蓋了 AIGI（索引）、AIGR（推薦）、AIGB（出價(jià)）、AIGA（拍賣）、AIGC（創(chuàng)意）、AIGD（數(shù)據(jù)）等電商商業(yè)經(jīng)營(yíng)所需的全部場(chǎng)景。用阿里巴巴中國(guó)電商事業(yè)群首席科學(xué)家、技術(shù)總裁鄭波的話來說，「AI 已經(jīng)成為淘寶算法的基因。」

近日，在 CNCC2025 大會(huì)上，鄭波首次公開了淘寶全模態(tài)大模型的最新進(jìn)展，并系統(tǒng)介紹了多模態(tài)智能在淘寶 AIGX 技術(shù)體系的研究應(yīng)用。另外，結(jié)合 AI 模型技術(shù)在淘寶應(yīng)用中的實(shí)踐，他認(rèn)為，「狹義 AGI 很可能在 5-10 年內(nèi)到來。」

以下為鄭波的主題分享內(nèi)容，機(jī)器之心在不改變?cè)獾那疤嵯逻M(jìn)行了整理。

AI 時(shí)代，生成式 AI 將帶來生產(chǎn)力的代際躍升

回望過去幾年，我們一次次被 AI 技術(shù)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(shù)的迭代速度之迅猛，仿佛每年都是一個(gè)跳躍式發(fā)展的時(shí)代。

如果我們將視線放遠(yuǎn)，仔細(xì)翻看過去二十多年互聯(lián)網(wǎng)發(fā)展與變遷的「史書」，各種各樣的技術(shù)升級(jí)、產(chǎn)品迭代故事案例，其實(shí)都是在圍繞著技術(shù)發(fā)展與商業(yè)變革雙向驅(qū)動(dòng)的螺旋軌跡演進(jìn)。

PC 互聯(lián)網(wǎng)時(shí)代的關(guān)鍵詞是「數(shù)字基石」，開放式硬件架構(gòu)、圖形化操作系統(tǒng)和軟件生態(tài)重塑世界，門戶網(wǎng)站與搜索引擎推動(dòng)全民數(shù)字化啟蒙。而就是在這一時(shí)期，2003 年淘寶上線，正式開啟中國(guó)「電商元年」，并率先在搜索中應(yīng)用機(jī)器學(xué)習(xí)模型，奠定技術(shù)驅(qū)動(dòng)商業(yè)的基因。

等到進(jìn)入無線互聯(lián)網(wǎng)時(shí)代，「時(shí)空折疊」成為這一時(shí)期的關(guān)鍵詞，智能手機(jī)與 4G 催生移動(dòng)互聯(lián)網(wǎng)革命，信息流推薦與社交網(wǎng)絡(luò)打破空間限制，而淘寶也正式開啟移動(dòng)端敘事。2013 年，手機(jī)淘寶實(shí)現(xiàn)雙 11 個(gè)性化推薦，推動(dòng)首頁信息流化，「猜你喜歡」進(jìn)入首屏，并開源高維稀疏框架 X-DeepLearning 等，引領(lǐng)行業(yè)技術(shù)標(biāo)準(zhǔn)。

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(rèn)，我們正站在一個(gè)全新的 AI 時(shí)代進(jìn)程中……

如果用一個(gè)關(guān)鍵詞來形容，我們認(rèn)為應(yīng)該是「智能增強(qiáng)」。AI 時(shí)代以數(shù)據(jù)、模型和算力為引擎，「智能增強(qiáng)」使得人類與技術(shù)，第一次可以用「共生」來形容。

更為重要的是，與前兩次技術(shù)革命主要解決連接效率、便捷性的命題不同的是，AI 時(shí)代的最大驚喜，應(yīng)該就是生成式 AI 對(duì)于生成力的代際提升。其中，「多模態(tài)智能」，正在成為最為關(guān)鍵核心的技術(shù)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(shí)現(xiàn)從單一感知到跨模態(tài)推理的飛躍，以及產(chǎn)生交互行為，執(zhí)行復(fù)雜任務(wù)。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(shí)際問題。

對(duì)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(dá)到國(guó)內(nèi)第一梯隊(duì)水平。基于全面升級(jí)后的 AIGX 技術(shù)體系，AI 萬能搜、AI 試衣、萬相營(yíng)造、廣告大模型 LMA 等 AI 產(chǎn)品和模型不斷涌現(xiàn)。

我們可以看到，技術(shù)創(chuàng)新驅(qū)動(dòng)商業(yè)生態(tài)升級(jí)，而商業(yè)的海量場(chǎng)景反哺技術(shù)突破，形成「技術(shù)創(chuàng)造價(jià)值 — 價(jià)值反哺技術(shù)」的雙螺旋演進(jìn)。

多模態(tài)智能是淘寶最重要的 AI 技術(shù)域，已在 AIGX 技術(shù)體系「深度應(yīng)用」

今年 7 月，淘寶發(fā)布了一個(gè)名為 RecGPT 的百億參數(shù)推薦大模型，實(shí)現(xiàn)了生成式推薦（ AIGR ）的技術(shù)升級(jí)，并全面接入手機(jī)淘寶首屏「猜你喜歡」信息流。可以說，淘寶是業(yè)內(nèi)第一個(gè)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(chǔ)模型的時(shí)候，我們已經(jīng)在思考技術(shù)與場(chǎng)景的緊密結(jié)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(xué)習(xí)等，使用用戶同商品或內(nèi)容的交互數(shù)據(jù)，來預(yù)測(cè)點(diǎn)擊和成交概率，計(jì)算效率高，適合結(jié)構(gòu)化數(shù)據(jù)，但會(huì)受到歷史數(shù)據(jù)和冷啟動(dòng)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(jié)合世界知識(shí)，來生成符合用戶偏好的新內(nèi)容或個(gè)性化推薦序列。它的創(chuàng)造力強(qiáng)，支持多模態(tài)輸入輸出，能適應(yīng)復(fù)雜非線性關(guān)系。

簡(jiǎn)單來說，傳統(tǒng)推薦系統(tǒng)只能匹配現(xiàn)有實(shí)體來進(jìn)行關(guān)聯(lián)和預(yù)測(cè)，更適合標(biāo)準(zhǔn)化、結(jié)構(gòu)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(nèi)容或動(dòng)態(tài)策略，進(jìn)行創(chuàng)造和推理，更適合多元化、個(gè)性化和發(fā)現(xiàn)性的需求，讓算法更懂用戶。

比如，當(dāng) 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(huì)推斷出該用戶群體可能有寶寶出生。

因此，根據(jù)時(shí)間推斷，當(dāng)寶寶可能滿 1 周歲時(shí)，系統(tǒng)會(huì)主動(dòng)推薦學(xué)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(huì)結(jié)合用戶的歷史品牌傾向和店鋪關(guān)注，精準(zhǔn)推薦冬季童裝的優(yōu)惠組合。

之所以能夠做到這樣，是因?yàn)槲覀兊耐扑]大模型 RecGPT 以淘寶百億參數(shù)的多模態(tài)大模型為基礎(chǔ)，對(duì) 10 萬量級(jí)的上下文進(jìn)行總結(jié)，理解長(zhǎng)達(dá)十年的用戶在淘寶的行為信息，全模態(tài)認(rèn)知數(shù)以億計(jì)的商品信息，再結(jié)合世界知識(shí)進(jìn)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(huì)迎來月全食的時(shí)候，他們的信息流推薦中已經(jīng)出現(xiàn)了月全食觀測(cè)設(shè)備……

可以說，不同于傳統(tǒng)推薦，RecGPT 更像個(gè)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(shí)現(xiàn)用戶點(diǎn)擊量增長(zhǎng)超過 16%，用戶加購次數(shù)和停留時(shí)長(zhǎng)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(chǎng)景的內(nèi)容生態(tài)。

我們可以結(jié)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(gè)虛擬模特，之后生成多張模特穿著此連衣裙，在不同場(chǎng)景的擺拍照片。

更進(jìn)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(zhuǎn)場(chǎng)，再生成虛擬模特講解視頻之后，多模態(tài)劇本生成和自動(dòng)剪輯技術(shù)將全自動(dòng)的制作出一條完整的「帶貨視頻」，從而大幅降低商家的內(nèi)容制作成本。

一件普通的連衣裙，可以全自動(dòng)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(diǎn)受到廣大商家的歡迎。

此次，我們推出了升級(jí)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(shí)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(zhì)、類別平衡的訓(xùn)練數(shù)據(jù)，搭配大幅提升的語義理解模塊，使得模型動(dòng)作更加靈動(dòng)，語義更精確，畫面更原生。升級(jí)后的版本即將上線淘寶多個(gè)電商產(chǎn)品。

不僅如此，要全自動(dòng)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(duì)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(jià)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(diǎn)打磨語音識(shí)別能力，尤其是電商場(chǎng)景的用戶語音，在中英文混合、方言、背景多樣等方面重點(diǎn)優(yōu)化；
• 語音合成方面，重點(diǎn)優(yōu)化情感合成、音色克隆等能力，打磨特色音色，應(yīng)用到廣告短視頻配音等業(yè)務(wù)。

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(biāo)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(jìn)行深度推理。

比如，當(dāng)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(gè)冰箱放進(jìn)我的廚房嗎？」TStars-Omni 模型就會(huì)對(duì)圖片進(jìn)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(huì)給出相關(guān)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(gè)內(nèi)核，多種應(yīng)用方式」：程序員可以把它當(dāng)做 terminal 命令行，也可以作為 IDE 插件，業(yè)務(wù)開發(fā)者則可以通過 Agent SDK 快速集成。這種設(shè)計(jì)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(gè)開放平臺(tái)，真正做到開箱即用。通過內(nèi)置的 Hooks、各種輸出樣式、智能體市場(chǎng)和命令市場(chǎng)，用戶可以直接安裝使用。同時(shí)非常安全，從結(jié)果準(zhǔn)確性到權(quán)限管控，讓大家用得安心。更重要的是，iFlow CLI 提供完全免費(fèi)的多款國(guó)產(chǎn)模型。

在性能表現(xiàn)上，我們針對(duì)國(guó)內(nèi)開源模型進(jìn)行了深度優(yōu)化。在多項(xiàng)基準(zhǔn)測(cè)試中，iFlow CLI 相比 Claude Code 等工具在使用國(guó)產(chǎn)模型的情況下都展現(xiàn)出了更優(yōu)的綜合性能。iFlow CLI 遠(yuǎn)不止于編程，它可以應(yīng)用到廣告創(chuàng)意、學(xué)術(shù)寫作、旅游攻略制定，甚至流程圖繪制等各種場(chǎng)景。關(guān)鍵的一點(diǎn)，iFlow CLI 面向個(gè)人用戶永久免費(fèi)開放。

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

這背后正是淘寶對(duì)于技術(shù)發(fā)展與商業(yè)變革雙向驅(qū)動(dòng)的發(fā)展趨勢(shì)的判斷。我們認(rèn)為，面對(duì)未來在生活消費(fèi)場(chǎng)景越來越復(fù)雜的任務(wù)，用戶需求將呈現(xiàn)跨模態(tài)、具身化演進(jìn)，多模態(tài)的理解和生成將成為標(biāo)配，也唯有多模態(tài)智能，才能支撐「所想即所得」的終極消費(fèi)體驗(yàn)。

淘寶一直致力于建設(shè)「萬能的淘寶」，我們也將構(gòu)建全球領(lǐng)先的多模態(tài) AI 能力體系 —— 這不僅是技術(shù)演進(jìn)方向，更是生態(tài)級(jí)電商平臺(tái)的升級(jí)所必需。

更為重要的是，經(jīng)過不斷在自家內(nèi)部場(chǎng)景打磨、驗(yàn)證后，淘寶還想與業(yè)界一同「共享」AIGX 技術(shù)體系的創(chuàng)新能力。

技術(shù)開放與生態(tài)共振

今年 6 月，淘寶正式開源了全新一代強(qiáng)化學(xué)習(xí)訓(xùn)練框架 ROLL（Reinforcement Learning Optimization for Large-scale Learning）。

ROLL 以用戶體驗(yàn)為核心設(shè)計(jì)理念，專為「高效?可擴(kuò)展?易用」而打造，徹底打通從小模型到 600B + 超大模型的 RL 訓(xùn)練落地路徑，在諸如人類偏好對(duì)齊、復(fù)雜推理和多輪自主交互場(chǎng)景等關(guān)鍵領(lǐng)域顯著提升了 LLM 的性能，同時(shí)具備超高的訓(xùn)練效率，已在淘寶多個(gè)內(nèi)部業(yè)務(wù)場(chǎng)景中應(yīng)用，為業(yè)務(wù)創(chuàng)新提供了強(qiáng)大的技術(shù)支持。

而在 10 月初，我們的生成式預(yù)估訓(xùn)練框架 RecIS 也正式開源，這是一個(gè)專為超大規(guī)模稀疏 - 稠密計(jì)算設(shè)計(jì)的統(tǒng)一架構(gòu)深度學(xué)習(xí)框架，基于 PyTorch 開源生態(tài)構(gòu)建，為推薦模型訓(xùn)練，或是推薦結(jié)合多模態(tài)大模型訓(xùn)練提供了完整的解決方案，且已廣泛應(yīng)用在阿里巴巴廣告、推薦、搜索等場(chǎng)景中。

不難看出，淘寶正在逐步將內(nèi)部場(chǎng)景驗(yàn)證后的能力向外部釋放，形成生態(tài)擴(kuò)張動(dòng)能，從而促進(jìn)整個(gè)行業(yè)加快邁向「超級(jí)智能（ASI）」時(shí)代的步伐，這是整個(gè)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(fù)雜度每年以 5-10 倍速度增加，而 AI 的錯(cuò)誤率每年降低 50%，模型 inference（推理）的成本每年也降低一個(gè)數(shù)量級(jí)。

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(wù)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(gè)速度進(jìn)化，狹義 AGI 很可能在 5-10 年內(nèi)到來。