物理AI的架构分水岭：为什么Om AI的「流式多模态」比VLA和世界模型更接近终局

2026年夏天，物理AI的赛道已经拥挤到让人眼花缭乱。

VLA（视觉-语言-动作）、世界模型、JEPA、视频生成仿真——每条路线都有自己的拥趸，每个派系都声称自己握住了通往物理智能的钥匙。行业在争论「VLA已死，世界模型已来」还是「三者终将融合」，但一个更根本的问题被忽略了：

物理世界的AI，到底需要什么样的架构？

Om AI联汇最近发布的VLX系列模型，提供了一个罕见的答案样本。这不是又一个从云端模型裁剪下来的端侧部署方案，而是一个从Day 1为物理世界设计的原生架构——它叫「流式多模态」，在AI行业追逐生成式对话的五年里，几乎没人理解它在做什么。

直到现在。

一、物理AI的架构悖论：用文本思维理解视频世界

先看一个反直觉的事实。

2023年，Om AI把一个在多媒体数据上训练的多模态模型，接入了一组监控摄像头。当时团队并不看好——监控领域已经有很多专用小模型，技术成熟度很高。结果出乎所有人意料：这个从未见过监控画面的通用模型，比那些在监控数据上练了多年的小模型「老将」表现更好。

这件事暴露了一个深层问题：上一代计算机视觉的「小模型+专用数据」范式，本质上没有泛化能力。 换一个场景、换一组光照条件、换一种摄像头角度，模型就失效了。而通用多模态模型，因为见过足够多样的世界，反而在开放场景下表现出更强的适应力。

但通用多模态模型也有自己的问题——它是为数字世界设计的。

当前行业的主流做法是「离线抽帧」：把视频一帧一帧截出来当图片处理，推理是批量的、离散的、一问一答的。这在云端对话场景下没问题，但在物理世界，AI需要的是持续感知——摄像头一直在看，无人机一直在飞，机器人一直在动——你不能等用户问「刚才发生了什么」才开始处理。

这就是Om AI创始人赵天成在2019年就看到的架构悖论：用文本思维理解视频世界，从根本上就是错的。

语言模型的核心计算单元是Token，以字符串方式线性处理。但物理世界的信息输入是视频流——它不是一串等长的字符，而是一股持续流动的、高度冗余的信号。画面大部分时间没什么变化，但关键事件可能出现在任何一帧。用文本Token去近似视频流，就像用打字机处理直播信号——又慢又傻。

二、VLX的架构选择：Flow+Seek+Go，三个能力层不是三个模型

Om AI的答案是一个三层架构，名字很直白：VLX-Flow、VLX-Seek、VLX-Go。

Flow是持续感知层。 视频像水流一样持续进入模型，AI自己一直在看，不用等人提问。这听起来简单，但技术难度极高——它要求模型在端侧以极低的延迟持续处理视频流，同时自动识别哪些画面值得关注、哪些可以跳过。这不是把一个大模型压缩到端侧能解决的问题，而是需要从架构层面重新设计模型如何处理时间序列信息。

Seek是精准定位层。 在Flow持续感知的基础上，Seek负责回答「东西在哪」。这涉及几何空间的理解——不是识别画面里有一只猫，而是知道猫在三维空间中的精确位置和姿态。Om AI在WAIC上发布的VLX-Seek 1.5版本，专门针对无人机、机器人、机器狗等具身场景做了架构升级，在准确性和推理效率上都有系统性提升。

Go是行动决策层。 在知道「有什么」和「在哪」之后，Go决定「怎么做」。这层输出的是动作指令——机器人该往哪个方向走、机械臂该以什么角度抓取、无人机该怎么调整飞行路径。

关键的区别在于：这三层不是三个独立模型拼在一起，而是同一条视频流上不可分割的三个能力层。Flow持续输出语义理解，Seek在语义理解的基础上定位，Go在定位的基础上决策——它们共享同一个底层架构，共享同一个数据流，而不是像传统方案那样把感知、定位、决策拆成三个独立的Pipeline。

这种设计有一个被低估的优势：数据飞轮。 当摄像头、无人机、机器人等终端都在跑同一套模型架构时，每个终端产生的数据都能反哺所有终端。机器狗本身没有多少训练数据，但可以把上百万个摄像头和PC上学到的经验延续到机器狗上——这就是Om AI说的「一脑多形」。

三、「端侧原生」不是优化，是架构选择

理解VLX最重要的一个概念是：它不是云端模型的缩小版，而是端侧的原生设计。

这听起来像语义游戏，但实际差异巨大。

云端模型的设计假设是：算力无限、延迟容忍、网络稳定。端侧部署通常的做法是：先训练一个大模型，然后用蒸馏、量化、剪枝等手段把它压缩到端侧能跑的大小。这是一种「压缩思维」——从完美但昂贵的方案出发，被迫做减法。

Om AI的做法是反过来的。他们从Day 1就为端侧的算力约束设计架构：模型应该多小才能跑在摄像头芯片上？推理应该多快才能满足无人机的实时控制？内存应该多省才能塞进可穿戴设备？这些约束不是优化目标，而是架构设计的起点。

结果就是VLX系列在参数规模远小于云端模型的情况下，在端侧场景下实现了接近甚至超越云端方案的性能。这不是工程优化的胜利，而是架构选择的胜利——当你不再把云端当成默认起点，你会发现很多「不可能」其实只是「路径依赖」。

赵天成在采访中提到一个关键洞察：物理AI的终端场景，中国反而有优势。「如果纯数字空间和海外产品对比，大家都很强，但是到物理终端场景下面，中国反而有优势。」这背后的逻辑是：中国有全球最完整的硬件产业链和最大的终端部署场景，当AI从云端走向地面，这些基础设施积累会变成数据优势。

四、从「被动执行」到「主动适应」：物理AI的范式转移

Om AI的故事最有价值的部分，不是技术细节，而是它揭示了一个正在发生的范式转移。

过去十年，AI在数字世界里的核心能力是「被动响应」——用户提问，模型回答；用户输入指令，模型执行。这是对话模型和生成式AI的底层逻辑。但在物理世界，AI需要的是「主动适应」——摄像头自己决定什么时候该报警，无人机自己判断该往哪个方向飞，机器人自己感知环境变化并调整动作。

这两种模式的区别，不只是技术栈的不同，而是AI与物理世界关系的根本变化。

被动响应的AI，世界是静止的——输入输出之间没有时间压力。主动适应的AI，世界是流动的——每一毫秒的延迟都可能导致物理后果。代码写错一行字无所谓，但机器人突然卡机摔倒，后果是严重的。自动驾驶不能车开着就失灵了，这是不可想象的。

这解释了为什么Om AI坚持分布式智能的路线。「全部由一个脑子控制也挺恐怖的，跟科幻片的反派一样，只要控制一个AI，所有终端都变成挟持人类的工具。」赵天成说。他希望每个物理终端都有独立的、本地的、快速响应的智能——跟人一样，每个大脑都是自主的。

这个视角很值得注意。当行业还在争论「云端模型还是端侧模型更强大」时，Om AI的答案是：终局不是二选一，而是分布式——云端负责全局推理和长期规划，端侧负责实时感知和快速响应。 两者不是替代关系，而是分工关系。

五、物理AI的「寒武纪」：谁在积累真正的结构性优势

Om AI目前已经实现了以亿为单位的营收，在物理AI公司中相当罕见。多数物理AI公司还在烧钱研发、未完成PMF，而Om AI已经在摄像头、PC、工业物联等成熟硬件场景上跑通了商业闭环。

这背后有一个值得关注的结构性优势：时间差。

赵天成从2018年就开始做多模态研究，2021年开始做多模态模型训练。当2024年行业突然意识到多模态的价值时，Om AI已经积累了三四年的技术储备、应用场景探索和市场教育。「我们的研究会早很多，比别人会早个三四年。」

在技术快速迭代的领域，三四年几乎是一代技术的生命周期。但当技术路线尚未收敛时，早期积累的不仅是技术本身，更是数据飞轮和场景理解——知道哪些场景真的能跑通、哪些客户愿意付费、哪些问题在实验室里看起来很小但在产业里是致命瓶颈。

赵天成把物理AI比作2016年的深度学习：「当时深度学习语言刚刚突破，没有人知道唯一的、收敛的终局是什么。」物理AI现在也处在这个阶段——技术路线百花齐放，从0到1的突破已经发生，但从1到100的规模化应用还没开始。

在这个阶段，最稀缺的能力不是「选对终极路线」，而是先让数据飞轮转起来。因为不管终局是什么形态，数据积累和场景验证都是不可跳过的环节。Om AI让百万级摄像头、无人机、机器人等终端先跑起来，用真实业务数据反哺模型迭代——这个飞轮一旦转动，后来者要追赶的就不只是模型能力，还有数据规模和场景深度。

写在最后

Om AI的VLX系列不是物理AI的终极答案。赵天成自己也承认，物理AI是一个「大楼里只有框架，缺的砖块还很多」的事情，单靠一个模型解决全部问题不现实。

但它的价值在于提供了一个架构选择样本：当行业的主流叙事是「用更大的模型解决一切」时，有人选择了一条更难的路——从物理世界的本质出发，重新设计架构，而不是从云端模型出发做裁剪。

物理AI的终局还远未到来。但有一件事已经越来越清晰：在物理世界，架构选择比模型规模更重要。 因为物理世界的约束——延迟、功耗、安全、可靠性——不是用更多算力能解决的，而是需要用不同的架构去适应。

而那些从Day 1就理解这些约束的公司，正在积累一种结构性的、难以被追赶的优势。