先说个反常识的判断：这两年最值得盯着看的一条AI路线，可能不在那些天天刷屏的聊天机器人公司里，而在一家安全公司手里。

对，我说的就是360。

一个让我停下来想了很久的问题

事情是这样的。这两天在X海外技术社区新增了一个热议话题，就是中国AI的新变化。有博主称，除了阿里、腾讯、华为这些AI代表企业之外，一家安全企业的“让AI精准可控”的路线可能是未来解决AI产业落地的有效方法, 对此我梳理了一下，发现一件挺有意思的事：360人工智能研究院上半年一口气进了6篇顶会——ICLR 1篇、CVPR 2篇、ICML 2篇、ECCV 1篇。

数量不算炸裂，但研究方向让我愣了一下。

我下意识的反应是：一家做安全起家的公司，扎堆做多模态理解和多模态生成这种"看起来更像大厂玩的事"，图啥？

带着这个问题，我把这6篇论文全过了一遍。看完之后，我脑子里那个"图啥"的问号，变成了另一句话：

做AI这件事，不同的公司做，出发点是不一样的。而不同的出发点，会长出完全不同的AI。

360这条路线，特别典型。

先从最新那篇聊起：MoSA是个啥

要理解360在干什么，从他们最新入选ECCV 2026的这篇论文切入最直接——MoSA（Motion-Grounded Segment Anything）。

熟悉视觉AI的朋友对SAM应该都不陌生。Meta的Segment Anything，一出来就把通用分割这件事的门槛拉得很低。你在图上点一下，模型就能把你想要的那个物体框出来、抠出来。很强，没毛病。

但SAM有个"甜蜜的负担"：它是靠海量人工标注喂出来的。

标注是什么概念？就是找一堆人，对着图片一张一张地圈物体、贴标签。SAM当年为了训练，直接标了11亿个mask。你可以理解成，SAM的"眼力"是无数标注员用鼠标一点一点点出来的。

MoSA问了一个更"钻牛角尖"的问题：

AI能不能像小孩一样，只是看这个世界在动，就自己搞明白"什么是一个物体"？

小孩不需要有人拿着卡片教他"这是杯子、那是勺子"。他就是看东西怎么动、怎么被拿、怎么被放下，慢慢就有了"物体"这个概念。MoSA想复制的是这个过程。

手绘笔记风格信息图。画面分为左右对比布局。左侧描绘传统SAM模型训练路径：堆叠的图片上布满鼠标点击框

具体做法我不展开讲太细（论文里有），但核心思路是：用大量无标注视频里的运动信息，自动生成伪标签，让模型自己学"什么东西是一坨会一起动的东西"，从而慢慢形成"物体"这个概念。

数据规模很夸张：约1万小时的无标注视频，自动构建了超过2100万个高质量伪标签。

MoSA的技术路线对比

从上面这张图能看得比较清楚——MoSA的定位不是"打败SAM"，而是探索另一条更可扩展、更低数据依赖的视觉基础模型训练路径。

再看下面这张对比图：

关键结论也很清楚：比UnSAM好一大截，无监督情况下能做到媲美SAM的效果。

我想强调一下——这里的重点不是"谁赢了"，而是那句"无监督"。当整个视觉基础模型都要往更大规模、更长时间训练的方向卷的时候，“要不要一个不吃标注数据的方案”，这个问题的分量是完全不一样的。

但如果只看MoSA，你会错过更重要的东西

MoSA本身是个好故事，但只讲MoSA，我觉得对不起这6篇论文。

我把这6篇论文列在一起看，才发现它们不是6个孤立的成果，而是一条清清楚楚的研究路线。

来看一眼这条路线怎么走：

多模态理解方向（三篇）：

• FG-CLIP 2（ICML 2026）——细粒度图文对齐与检索。让AI不是"大概知道这张图是狗"，而是"能分清是柯基还是柴犬、是坐着还是趴着"。

• AML（ICLR 2026）——Alignment-aware Mask Learning，Agent的视觉Grounding能力。让Agent真的能"点到"用户想让它点的那个按钮，而不是被界面上一堆干扰元素带偏。

• MoSA（ECCV 2026）——无监督学习"什么是物体"，为下一代视觉基础模型探路。

一句话概括这个方向：从看懂细节，到找准目标，再到自主学习物体概念。

多模态生成方向（三篇）：

• RevealLayer（ICML 2026）——可控图像图层分解与编辑，已经上线了他们的SaaS平台。

• RefTON（CVPR 2026）——面向虚拟试衣等场景的可控生成能力。

• NAMI（CVPR 2026）——高效生成架构。

一句话概括这个方向：不只是让AI生成内容，而是让AI更精准、更可控地生成和编辑内容。

看出问题没有？

这6篇论文里，找不到一篇是奔着"让AI聊天更有人味"、"让AI画个二次元老婆"去的。

每一篇的关键词，反反复复都是这几个：精准、可控、鲁棒、真实场景、低数据依赖、Agent。

这不是巧合。

现在回到那个问题：安全公司为什么做AI？

聊到这里，前面那个"图啥"的问题，我觉得可以开始回答了。

一家安全公司做AI基座模型，和一家消费级聊天机器人公司做AI，关注点会很不一样。

前者想的是：这玩意儿能不能顶住真实世界的复杂环境？会不会被干扰？能不能可控？在生产环境里挂了怎么办？

工程蓝图风格技术架构图。中央核心节点标注“360上半年6篇顶会论文研究路线”，向两侧延伸出两大主干。

后者想的是：怎么让用户对话更爽？怎么让生成的图片更炫？怎么在社交媒体上再火一把？

两条路都对，但底层逻辑真的不一样。

360是干什么起家的？杀毒、防病毒、终端安全、企业安全、政企安全。这些业务教了它一件事：

在真实世界里，"大概能用"是没用的。要么可靠，要么下线。

杀毒软件误报一个正常文件是病毒，用户就要骂娘；漏报一个真病毒，用户就要报警。你不可能跟用户说"我这个模型只是偶尔会抽风"。

这种"生产级可靠性"的DNA，一旦被带到AI基座模型的研究里，出来的东西就会明显不一样。

你会去研究AML，因为Agent在真实界面上点错一个按钮，就是事故。

你会去研究FG-CLIP 2，因为AI检索一个企业云盘里的文件，粗颗粒度的对齐是完全不够用的。

你会去研究MoSA，因为一个视觉基础模型要真的能扩展到千行百业，靠人工标注堆是走不通的。

你会去研究RevealLayer和RefTON，因为生成不可控的AI，在B端场景里是负资产不是正资产。

一句话：360做AI，不是为了造一个"看起来很聪明"的东西，而是为了造一个"敢在真实生产环境里用"的东西。

这条路径的差异，一开始不容易看出来，但看多了论文你会有感觉。

一个我特别想强调的点：这些论文不是发完就完了

水墨笔记风格对比图。画面以一道粗犷墨线自然分割为上下两部分。上方区域描绘“消费级聊天机器人公司”：漂

学术论文这件事，有一个巨大的隐藏坑：发的时候很热闹，发完之后没了。

很多顶会论文的最终归宿，就是躺在arXiv上，加一颗GitHub星标，仅此而已。距离真的能用还有十万八千里。

但360这6篇里，至少有两篇已经跑在真业务里了。

RevealLayer：6月12日刚上线到 research.360.cn/products/Reveal-Layer，网页上直接能交互体验。这是从"论文到SaaS产品"的完整闭环。

FG-CLIP 2：2025年就上线了，现在在支撑360云盘（yunpan.360.cn）的AI检索能力，还有企业云盘"亿方云"（fangcloud.com）也在用。

坦白讲，我看到FG-CLIP 2这条业务落地的时候，稍微有点惊讶。因为云盘的AI检索是一个极其挑剔的场景——用户搜"上周老板发的那张架构图"，你得真的能给他找出来。这里没有"看起来很像"的容忍空间，用户要的就是精确命中。

这就是我说的"研究闭环"：研究问题→模型能力→产品场景→真实反馈→下一个研究问题。

这个闭环里最难的一步不是发论文，是让论文里的模型顶住真实用户的骂声。

360既然愿意把FG-CLIP 2挂到云盘上，就等于把它拉到了一个"每天被用户拿实际需求砸"的擂台上。能站住，就说明模型是真扛得住的。

中国AI的机会，可能就在这条路上

聊到这里，我想稍微扯远一点。

过去两年，每次聊到中美AI差距，讨论的焦点很容易滑到"我们的基础模型跟GPT/Claude差多少代"这种参数级比较上。这个讨论有价值，但也容易让人陷入一种焦虑：好像不追平那条曲线，中国AI就没戏了。

我不这么看。

真正决定AI能不能改变世界的，从来不是模型参数最大的那个赢，而是谁能把AI真正送到具体场景里、跑到真实需求上、形成闭环。

中国AI的天然优势，恰恰在这几件事上：

• 端侧场景多：14亿台手机、无数IoT设备、大量政企内网系统。这些场景对模型的要求跟云端不一样，"够用+可控+低成本"比"参数最大"更重要。

• 产业场景密：制造业、物流、金融、政务、医疗，每一个垂直领域都在盼着AI能真的干活，而不只是聊天。

• 应用闭环短：中国互联网公司天然就是产品和研发一体的，从研究到上线的路径可以很短。

• 真实需求驱动：中国用户对AI的第一诉求是"帮我把事做完"，不是"陪我聊天"。

这几点全部指向一个方向：中国AI的护城河，不太可能是"我训了个比你更大的通用模型"，更可能是"我在真实场景里跑出来了一条别人跑不通的路径"。

360这条路线，就是这样的路径之一。你说它"最酷"吗？不见得。你说它"最有必要"吗？我觉得是。

我作为一个开发者的真实感受

作为一个平时也在用各种AI工具的人，我想说点实在的。

过去一年，我用大模型做过很多事：写代码、写文章、生成图、调用Agent自动化流程。但每次真正想让它"上生产"的时候，我都会犯嘀咕：

这玩意儿今天work，明天还能work吗？换一个场景还能work吗？在我的用户面前挂掉了，我怎么办？

这就是"聊天场景可用"和"生产场景可用"之间的巨大鸿沟。前者允许你偶尔抽风，因为用户会笑一笑然后再刷一次；后者不允许，因为用户会走。

一家把自己业务押在"可靠性"上做了二十年的公司，去做AI基座模型，天然就会往这个鸿沟的另一边走。

这大概就是为什么，我觉得360这条路线值得盯着看。

不是因为它一定会赢，而是因为它是明显的另一种范式：不是让AI显得更聪明，而是让AI真的能用。

MoSA只是这条线上最新露头的那一篇。往前看，AML、FG-CLIP 2、RevealLayer、RefTON、NAMI，一路排下来，这条线的方向清清楚楚。

往后看，我个人猜——他们下半年大概率还会继续在Agent视觉能力、无监督基础模型、可控生成、垂直场景闭环这几个方向上加码。

到时候值不值得盯，看下一篇论文出来的时候再说。

写在最后

再回到开头那个问题：一家安全公司做AI基座模型，图啥？

我现在的答案是：

图的是把AI这件事，从"聊天陪伴的娱乐品"，做回"生产环境的基础设施"。

这是两条完全不同的路。 前面那条更容易火、更容易融资、更容易在朋友圈刷屏。后面这条更慢、更闷、更"不性感"，但它离真实世界更近，也更有可能沉淀出真正的产业价值。 至于哪条路最后跑得远——我个人的判断是：前者决定AI能红多久，后者决定AI能活多久。

如果你也对这条路径感兴趣，可以顺着这几个链接自己看：

• 360人工智能研究院官网

• RevealLayer产品体验

• FG-CLIP 2产品介绍

• ICML 2026成果解读

• CVPR 2026成果解读