2023年，一个从未接触过监控数据的通用多模态模型，竟在监控场景中击败了深耕多年的专业小模型——这不是科幻桥段，而是Om AI联汇在技术路径上的一次“意外验证”。彼时，全球AI行业正沉浸在大语言模型的狂欢中，Om AI却逆流而上，押注了一条当时无人理解的路线：流式多模态。三年后，这条路线孕育出VLX——全球首个面向物理AI的端侧流式多模态模型系列，首次在端侧打通“持续感知+精准定位+行动决策”的完整闭环。这一突破，恰与全球企业数字化转型的深水区需求不谋而合：当物理世界与数字智能加速融合，端侧设备的自主决策能力成为从“自动化”迈向“智能化”的关键跳板。
物理AI爆发：数字化转型的下一个主战场
2026年，物理AI取代生成式AI成为科技圈最炙手可热的概念。仅第一季度，全球物理AI领域融资就超过64亿美元。从工业机器人到自动驾驶，从无人机到可穿戴设备，物理终端正从“被动执行指令”向“主动适应场景”跨越。这背后，是企业数字化转型从流程数字化向实体智能化的深层跃迁——过去十年，数字化主要解决信息流通问题；未来十年，数字化必须赋能物理世界的自主决策。
然而，行业的狂欢中暗藏分歧。VLA（视觉-语言-动作）、世界模型、JEPA……多条技术路线并行，但距规模化落地尚远。大多数方案仍依赖云端大模型，通过离线抽帧将视频拆解为静态图片处理，推理过程离散、滞后，难以满足物理交互对实时性的刚性需求。
Om AI创始人赵天成博士在采访中直言：“物理AI至少需要四种能力：语义理解、几何空间认知、决策控制、未来预测。当前很多争论是概念炒作，把方法当本质。”他认为，物理AI还处于寒武纪大爆发阶段，没有唯一终局。但有一个底层共识正在形成：端侧智能是物理AI落地的必然载体。这与企业数字化转型中“边缘计算优先”的趋势高度契合——数据在哪产生，智能就在哪处理。
流式多模态：为物理世界“原生”设计的架构
如果说传统AI处理视频像“翻书”——逐帧读取、逐张分析，那么流式多模态则是“看视频”——视频像水流一样持续进入模型，AI自主感知，无需人工提问。这一区别，决定了物理终端能否实现真正的“实时自主”。
赵天成在CMU读博期间便主导了对话系统的端到端生成式改造，他深刻意识到：“语言模型的核心单元是Token，适合文本流；但物理世界的信息输入是视频流，冗余且动态。用文本token近似视频信息，就像用笨重的工具去处理流水线，注定又慢又傻。”
Om AI从Day 1便为端侧算力约束设计模型架构。VLX系列提出的“Flow+Seek+Go”三层能力层，在同一条视频流上完成感知、定位、行动，而非三个独立模型的拼凑。这种架构创新直接带来了模型性能的跃升：更小的参数量实现更强的泛化能力。例如，在无人机目标追踪场景中，VLX能以比传统VLA方法低5倍的功耗完成同等精度的实时定位。
值得一提的是，多模态模型的泛化能力在实践中得到了惊人验证。2023年，一个基于多模态数据训练的模型被意外接入监控场景，其表现远超专门训练的视觉小模型。这让团队意识到，基于多模态训练方式能带来开放世界的泛化性——这恰好是物理AI最核心的刚需。AI画图领域近年也出现了类似趋势：通用模型在风格迁移、细节生成上的表现逐渐超越专用工具，背后同样是多模态泛化能力的胜利。
端侧智能崛起：分布式智能的价值重构
“云端AI就像所有终端共用一个大脑，既不可靠也不安全。”赵天成用了一个生动的比喻：物理世界交互会带来严重后果——代码写错一行大不了重启，但机器人突然卡顿摔落或自动驾驶失灵，代价不可承受。因此，物理AI的终局必然是分布式智能：每个终端拥有独立、快速、安全的本地推理能力。
Om AI瞄准的正是“从成熟硬件向新兴本体纵深演进”的物理AI终端市场。摄像头、AI PC、个人设备等成熟硬件已实现数据化，但缺乏物理AI能力；机器狗、无人机等新兴本体正处于爆发前夜；人形机器人则更远。Om AI的策略是“一脑多形”：用统一模型沉淀成熟经验，再通过新场景数据反哺模型迭代。例如，将百万级摄像头的场景理解经验迁移至机器狗，使其“天生”具备优秀起点的感知能力。
这一策略与AI工具箱中集成多种模型的趋势类似——底层通用能力越强，上层迁移成本越低。事实上，AI工具导航平台上的开发者已经验证过：通用模型的微调效率远高于从零训练专用模型。
VLX的商业闭环：从仿真到落地的双向验证
行业仍在争论“VLA已死，世界模型已来”时，Om AI已经用VLX系列完成了从仿真实验到产业落地的商业闭环。目前公司营收以亿为单位，模型、数据、商业三大闭环全部打通：模型闭环——Flow+Seek+Go自成一体；数据闭环——百万级真实场景持续回流；商业闭环——PMF（产品-市场匹配）顺利达成。
最大亮点在于数据闭环的飞轮效应。传统AI项目常陷入“数据饥渴”：采集大量标注数据，模型上线后便停止迭代。而Om AI通过部署在摄像头、无人机、机器人上的终端设备，持续回流真实操作数据，形成“使用→反馈→改进→再使用”的正向循环。这不仅降低了模型退化风险，也让每一次部署都成为模型的“在线训练”。
然而，商业成功并非一蹴而就。五年来，赵天成拒绝了无数“转个方向更快变现”的诱惑。2023年语言模型大火时，有投资人拉他“你做过语言模型，为什么不出来做？”他坚持“死磕视觉+语言”的流式多模态。在他看来，AI融资热潮中能够抗拒短期利益、坚守技术信仰的团队凤毛麟角——正是这种长期主义，使Om AI在物理AI爆发时拥有了不可替代的架构优势。
长期主义的回报：五年“反共识”的技术定力
回望2019年，赵天成在CMU语言技术所博士毕业时，面前是金光闪闪的教职或大厂Offer。他却选择了一条几乎无人理解的创业路：不做纯文本大模型，不追生成式AI，而是死磕当时连主流都不是的流式多模态。团队里有人离开，但更多核心伙伴留了下来。
“我们的东西，在物理AI之前一直没有成为最火的东西。”赵天成坦言，“一直会有更火的东西摆在前面。”这种定力来源于他对多模态价值上限的坚定认知——在雅虎10亿美元的多模态智能体项目中，他亲眼见证：“多模态让AI活了起来，而不只是一个对话系统。”
五年间，AI赛道换了三四轮“当红炸子鸡”：文本生成、文生图、VLA、世界模型……每一次热潮都对Om AI形成“转向”压力。但团队始终围绕“V和L（视觉和语言）”持续产出，最终在2026年迎来产业拐点。当物理AI从“概念炒作”迈入“场景验证”，Om AI的积累恰好与市场需求完美贴合。
这种长期主义的价值，在科技公司的生存法则中愈发珍贵。许多科技公司在AI融资窗口期盲目追逐热点，却因缺乏底层积累沦为泡沫。而Om AI用五年时间证明：真正的技术护城河，来自对第一性原理的坚守。
物理AI的未来：生态协同与开放开源
“物理AI是一个万亿级市场，单靠一个模型包打天下不现实。”赵天成认为，人类大脑都是分区协作的，物理AI更需要生态协同。Om AI已经启动开源计划，将VLX模型的核心架构开放给开发者社区。赵天成回忆自己的学生时代：“开源让我受益良多，也促使AI在早期实现快速发展。”
开源战略背后有更深层的考量：一方面，通过用户反馈快速迭代产品，用户在实际部署中遇到的卡点将成为下一代模型的优化方向；另一方面，开源也能建立技术共识，推动物理AI的标准化进程。赵天成表示：“开源是自信的表现，说明模型进化速度足够快，已经有更好的东西在肚子里了。”
展望未来，物理AI将像艺术签名设计一样，从“千篇一律的模板”走向“千人千面的定制”——不同的终端、场景需要差异化的智能粒度。Om AI的“一脑多形”策略、流式架构的泛化能力，以及开放生态的构建，正在为这场智能革命提供基础设施。对于正处在数字化转型关键节点的企业而言，物理AI不再是遥远的愿景，而是可以立刻触及的效率引擎。