商汤首席科学家林达华在最新专访中给出一个明确判断：尽管编程智能体已经跑通商业闭环，多模态技术仍是通往通用人工智能的必由之路。他预测，未来一到两年内，多模态将跨过类似编程智能体爆发的关键节点，迎来能力涌现时刻。

多模态是进入真实世界的必要条件

林达华把商汤的原生多模态路线定义为长期战略。他的逻辑很直接：视觉和语言的联合建模，是人工智能进入真实行业和物理世界的基础。现实世界的信息往往同时以视觉和语言形式存在，只处理文本的语言模型无法理解和操作视觉信号。这一点直接关系到商汤在办公、医疗、零售和机器人等领域的应用落地。

智能的核心不是写代码

编程智能体已经证明了商业价值，但林达华并不认为编程就是智能的终点。他区分了 " 能力 " 和 " 本质 "：编程能力强是智能水平提升的结果，但智能的核心本质不是编程这种工作形态，而是汇聚复杂信息，进行长程思考、推演、执行和修正。编程只是目前数据条件最成熟的体现长程思考能力的载体。

他用一句话把这个观点说得更直白：" 没有电脑的年代，也有爱因斯坦和牛顿。我们不会因为他们不写代码，就认为他们不够聪明。" 在他看来，真正的智能应该包括对物理世界和抽象概念的理解，而不仅仅是编写代码的能力。人工智能和通用人工智能的空间远远不止编程。

理解和生成统一是当前重点

商汤目前的技术重点，是把视觉理解和生成统一到一个模型里。林达华表示，生图是最先解锁的能力，但不是终点。公司正在逐步解决具体问题，计划将这项能力扩展到空间智能和物理智能领域，以实现更复杂的空间交互。

多模态将迎来爆发式增长

对于多模态的爆发时间，林达华给出了相对具体的窗口期。他认为，随着数据和应用的不断成熟，多模态将跨过当前的技术瓶颈。未来一到两年内，多模态会迎来一个类似编程智能体爆发的节点。最终呈现的形态可能和今天的产品不一样，但内核仍然是视觉、语言、推理和行动的结合。