maigewan标题

分类： AGI

通过WPeMatico自动添加.

  • 多模态：AI从理解世界到改造世界的关键跃迁

    多模态技术正在重塑AI的未来，从语音助手到自动驾驶，它让机器真正‘看懂’世界。2024年中国多模态市场规模已突破百亿，全球增速惊人。本文将深度剖析多模态技术如何突破单一信息维度，实现视听触嗅的融合处理，并揭示其在医疗、工业、智能家居等领域的颠覆性应用。从技术架构到商业落地，带你全面把握这场AI革命的底层逻辑与未来机遇。

    当你用语音向智能助手下达指令，它能同时识别语义、分析语气，并结合你的历史回答数据给出精准回应；当输入文字描述图片时，AI瞬间生成相应的图片；当你驾驶车辆开启自动驾驶模式的时候，车辆同步处理摄像头画面、雷达数据和交通音频信号，即便在复杂路况之下，依然能够处理，这便是多模态技术的厉害之处。

    在AI从弱智能迈向通用智能的进程中，多模态已经突破单一获取信息维度的方式，从多个方面实现了获取信息。对于产品人而言，理解多模态的技术边界、应用场景与发展趋势，更是十分关键。本文将从发展现状、行业共识、应用落地、利弊分析、核心类型、社会价值及未来趋势七大维度，全面解析多模态技术的商业价值与产业影响。

    发展现状：从技术突破到规模化落地的关键拐点

    当前，多模态技术正处于“技术成熟度加速提升、产业应用全面渗透”的关键阶段。从市场规模来看，2024年中国多模态大模型市场规模已达138.5亿元，同比增长67.3%，2025年预计攀升至236.8亿元；全球市场规模更是有望突破4200亿元人民币，中国以35%的占比成为全球第二大单体市场。

    在技术层面上，正在推动AI从“语言学习”迈入“多模态世界学习”阶段。。早期多模态模型多采用“组合式架构”，通过独立模块处理不同模态信息再进行融合，存在信息损耗、逻辑断裂等问题，例如Llama 3在“图文+语音”跨模态任务中逻辑断裂率高达28%。而当前随着多模态技术的发展，通过采用单一Transformer架构便能实现多模态理解与生成的原生统一，将逻辑断裂率降至9%以下，通过引入790年时长的长视频数据，让模型具备学习物理规律、因果逻辑的能力，让模型理解世界的能力更强。

    行业共识：多模态是通用AI与智能体的核心基座

    无论是科技企业还是学术专家，均已形成共识：多模态是AI迈向通用人工智能（AGI）的必经之路，更是构建智能体的核心技术基座。但不同的企业和个人，由于自身定位不一样，对多模态的发展方向形成了差异化但互补的认知。

    在学术领域上，北京智源人工智能研究院院长王仲远提出，2025年后第三代Scaling范式的关键在多模态，多模态世界模型是推动机器人从1.0专用时代进入2.0通用具身智能时代的核心动力，而当前具身智能仍面临“不好用、不通用、不易用”的三大挑战，需通过多模态技术突破数据瓶颈与架构割裂问题。

    企业层面，科技巨头纷纷将多模态作为战略核心。高通AI产品技术中国区负责人万卫星认为，终端侧正从单一文字模态向全模态演进，这是迈向智能体AI的基础，高通通过量化压缩、异构计算等技术突破，已实现终端侧8K-16K上下文的多模态模型部署。Google Cloud则通过推动A2A协议，实现不同智能体间的多模态信息安全互通，催生新商业模式。

    产业应用端，中关村科金总裁喻友平指出，多模态驱动的智能体是“超级连接器”，实现人与数据、知识的深度连接，企业落地需聚焦场景选择、数据整理与模型构建三大环节，通过“大模型平台+AI能力平台+AI数据平台”的协同支撑，实现营销服务、办公运营等环节的质效双升。

    核心定义：多模态的构成与具体类型

    多模态的核心定义：多模态是指机器同时处理、理解与生成两种及以上信息模态的能力，这些模态涵盖人类感知世界的多种方式，以及机器特有的数据形态。

    从构成维度来看，主要是包括类似与人类的五官感受，当前已经实现的视听嗅觉，如文本（文字、文档）、视觉（图片、视频、图像）、听觉（语音、音频、环境音）、触觉（压力、温度）；二是“机器采集的结构化模态”，如传感器数据、定位数据、设备运行参数；三是“衍生模态”，如情绪标签、行为轨迹、知识图谱等经过加工处理的信息。

    当前主流的多模态类型可按应用场景分为六大类：

    1. 图文模态：最成熟的应用类型，实现文本与图片相互转换，如文生图、图生文、图文检索，比如设计师根据表述生成相应的素材以及电商方面的图文等方面。文生图、图文检索，如Midjourney、淘宝“拍图搜款”功能，日均处理检索请求超10亿次。
    2. 音视频模态：涵盖语音转文字、文字转语音、视频摘要生成，广泛应用于智能客服、会议记录、短视频创作。语音转文字、视频摘要，如讯飞听见会议系统，实时生成多语言字幕与会议纪要，准确率超98%
    3. 跨模态检索：打破模态壁垒的信息检索，如通过文字描述检索视频片段、通过图片查找相关音频，提升信息获取效率。
    4. 多模态生成：同时生成多种模态内容，如输入文字指令生成“图文+音频”的营销素材、生成带字幕的讲解视频，极大的方面了内容创作领域的相关人员。如Canva可画，输入文字指令生成含图文、音频的营销短视频，中小企业使用后创作效率提升8倍。
    5. 具身多模态：融合视觉、听觉、触觉与传感器数据，为机器人提供环境感知能力，能够具备抓取、导航等能力，是具身智能的核心大脑。如科沃斯扫地机器人，融合视觉避障与触觉感知，复杂环境清扫覆盖率提升至98%。
    6. 多模态决策：整合多维度数据进行逻辑推理与决策，如自动驾驶结合摄像头、激光雷达与音频数据判断行驶策略等，帮助用户进行总结推理，做出最优选择。如滴滴自动驾驶，整合路况图像、雷达数据与交通音频，危险场景响应速度较人类快0.8秒。

    AI训练师：多模态技术落地的核心赋能者

    在多模态技术从实验室走向实际应用的过程中，AI训练师扮演着“技术翻译官”与“能力打磨师”的关键角色。AI训练师的核心职责是通过数据处理、模型调优、Prompt设计等工作，让多模态模型更好地适配实际需求。由于多模态训练的复杂性，可能需要AI训练师具备跨领域的综合能力。

    从岗位价值来看，AI训练师是解决多模态技术落地痛点的核心力量。面对多模态训练中高质量标注数据稀缺、模态间语义对齐困难、模型泛化能力不足等问题，AI训练师通过建立具体详细的需求规则文档，对数据精细化处理，量身定制训练策略，提升模型性能——例如智能客服场景中，通过优化语音、文本、图像的跨模态训练数据，可降低模型交互误解率30%以上。

    1. 多模态训练的核心方向

    当前AI训练师的多模态训练工作主要聚焦四大核心方向，覆盖数据、架构、策略、应用全链路：

    1. 多模态数据治理与标注优化：这是训练的基础环节，核心目标是提升数据质量与标注效率。一方面，AI训练师需要根据需求方的要求，建立并丰富项目需求规则文档，构建多模态数据清洗标准，处理文本模糊、图像噪声、音频干扰等问题，同时实现不同模态数据的视频与音频对齐、文本描述与图像内容匹配等；另一方面，借助多模型实现对整个数据标注过程中的提效，借助大语言模型的推理能力与小模型的精细标注能力，提高标注效率，减低成本，让项目提前完成交付。
    2. 跨模态特征融合策略打磨：针对不同模态数据的差异化，AI训练师需根据任务需求制定不同的规则需求文档。训练师需通过实验对比调整融合权重与交互逻辑——例如在视觉问答任务中，通过优化跨模态注意力机制，让模型更精准地关联图像细节与文本问题；在多模态生成任务中，通过调整文本与视觉特征的关键点，提升生成内容的一致性。
    3. 自演进训练框架构建与优化：通过强化学习，训练reward模型，让模型自己训练解决高质量多模态推理数据稀缺的问题。AI训练师通过参与设计训练方法、奖励模型与提示词变异策略，让模型迭代学习自身输出结果，持续提升推理能力。对于训练过程中出现的性能饱和问题，通过建立动态平衡机制，缓解探索损失，确保模型性能稳步提升，在数学推理、多模态问答等任务中效果明显。
    4. 垂直场景训练与泛化能力提升：多模态模型在垂直场景下的需求变得更多，AI训练师需结合具体行业需求开展针对性训练。例如在医疗领域，围绕病历文本、医学影像、检查音频等多模态数据，训练模型掌握专业术语对齐与病理特征识别能力；在工业场景，通过融合设备传感器数据与视觉图像，优化模型的故障预判能力；同时，多任务训练等方式，让模型在陌生场景下的泛化性能增强，避免因场景差异导致的性能骤降。

    此外，AI训练师还需具备跨领域知识储备，既要掌握文本、图像、语音等不同模态的基础处理技术，了解Transformer、卷积神经网络等核心架构原理，也要熟悉业务场景的核心需求，才能实现技术与业务的深度适配，成为多模态技术规模化落地的关键桥梁。

    2. 未来趋势：从全模态融合到物理世界交互

    在未来几年之后，多模态技术将会变得更加的统一高效，更贴近物理世界，朝着更智能化的方面变化

    • 原生全模态成为主流：模型实现文本、视觉、听觉、触觉、传感器数据的深度融合，打破模态间的信息壁垒，具备更强大的世界建模与逻辑推理能力
    • 端云协同+轻量化部署：随着高通等企业在量化压缩、异构计算技术上的突破，多模态模型将实现“云端大模型+终端轻模型”的协同架构，终端侧支持更长上下文、更低延迟的多模态交互，个性化与隐私保护能力能够进一步提高。
    • 具身智能加速落地：多模态世界模型将成为具身智能的“大脑”，实现“感知-认知-行动”的端到端闭环，使得家庭类机器人、工业类机器人以及自动驾驶相关的产品功能·都能够得到一个巨大的飞跃，融入我们日常真实的生活和工作场景。
    • 生态化与标准化发展：推动形成“开源模型+垂直场景解决方案”生态格局，普及开源模型的同时，将A2A协议等跨智能体通信标准将逐步完善，实现多模态信息互通。多模态将变得更加协同智慧。

    把握多模态的“产品创新窗口”

    目前多模态技术本质上是AI向人类感知与思考方式的靠拢，类似通过能够模拟人的五官感受，逐步实现AGI。对于产品人来说，既要看到多模态在效率提升、体验优化上看得见得价值，更要注意潜在的市场需求，在催生新兴场景上的隐性潜力。

    未来，成功的智能产品将不再是单一模态的工具，而是能理解、感知、交互的多模态智能体。既能够帮助企业解决垂直场景中面临的困难，更能给个人提供个性化服务。能够了解多模态技术的核心能力并能够实现落地，将成为产品创新的关键。而在技术迭代的同时，兼顾数据安全、伦理规范，让多模态技术真正成为推动社会进步的积极力量。

    本文由 @冒泡泡 原创发布于人人都是产品经理。未经作者许可，禁止转载

    题图来自Unsplash，基于CC0协议

  • 闫俊杰把自己练成了算法

    MiniMax 的崛起不是靠热血故事，而是一套近乎冷酷的“硅基管理哲学”：去情绪化决策、反经验主义用人、多模态长期主义、以及以坐标下降法驱动的组织机制。本文深度拆解这家 AI Native 公司如何用算法思维重构创业逻辑，并揭示中间层管理者在 AGI 时代的生存危机。

    老罗最新一期采访 MiniMax 闫俊杰的播客，四个小时，终于稀稀拉拉听完了。

    听完后，也就没然后了；毕竟信息在脑中过去，犹如刮风一样丝滑，左耳朵进右耳朵出。所以，我又把播客下载下来，转换成文字，死磕了一遍。

    这一遍，让我对闫俊杰的表达，有了新的认识。

    如果说罗永浩代表古典互联网时代对“产品”和“情怀”的追求，那闫俊杰展示了一种全新的、甚至带着一点非人感的物种。

    你看他温吞、佛系，甚至有点迟钝，但在这张毫无攻击性的外表下，藏着一套近乎冷酷的操作系统。

    为什么我要下这个结论？复盘 MiniMax 的三年，我看到的第一个关键词，是「去魅」。

    咱们平时看那些 AI 大佬，要么极客范儿十足，要么满嘴改变世界的精英，但在老罗的直播间里，闫俊杰太“素”了。

    发际线有点高，人有点微胖，甚至在公司里，大家居然管他叫“中登”，意思就是“长相中等登样” 。你可能觉得这人挺逗、挺佛系；但细品他在访谈里说的一个细节，就大有不同了。

    他说为了减肥，去打了司美格鲁肽。打完之后，食欲没了。他的原话是：感觉自己变成了圣人。

    大家听了可能哈哈一笑，觉得是幽默。但在我眼里，这简直是一个狠人的隐喻，一个为了达成目标，可以随时修改自己身体参数的人。

    这种对欲望的剥离，一旦用到公司管理上，就是一种极度可怕的理性。

    你看他对危机的反应，完全不像个正常的碳基生物，当初硅谷银行倒闭，MiniMax 所有钱都在里面，眼看要发不出工资了；换一般创业者，这会儿估计早就崩溃了，或者至少得焦虑得睡不着觉吧？

    闫俊杰没有。

    他的回忆里，没有一丝惊慌失措，他说，这事儿既然发生了，那就别浪费时间去难受了，赶紧算算怎么活下来，怎么把损失降到最低 。

    再看他对竞争对手的态度。

    今年 DeepSeek 火成那样，把大家脸都打肿了；正常人心里多少得有点酸吧？有点“既生瑜何生亮”的不甘心吧？

    他没有。他淡淡地来了句：我不嫉妒……我觉得是他们应得的。这哪像人在说话啊？这简直是一台服务器在输出计算结果，在他那套操作系统里，好像根本就没有情绪这个模块。

    他在访谈里老说自己“认知不够”，还会自我 PUA。这话翻译成大白话是：我的模型没跑好，误差变大了。

    误差变大了怎么办？哭有用吗？没用。你得赶紧找找是哪层参数设错了，把权重改过来，然后接着跑，这就是第一代 AI Native CEO 最吓人的地方。

    他不跟你演什么热血沸腾的创业故事，把自己活成了一个没有感情的“算力节点”，输入信息，算出最优解，然后执行。

    所以，我说，看着佛系，其实是“情绪参数归零”，这种人，才是最难被击败的。

    既然有了这么一颗“莫得感情”的 CPU，那 1989 年出生的闫俊杰做出来的决定，自然就不可能按常理出牌。

    常理是什么？迷信大牛，迷信硅谷光环，是我们要聚焦，但他这套系统启动后的第一步，竟然不同。

    哪里不同呢？

    先说人。回想一下 2021 年那会儿，AI 圈子都在抢什么人？各家公司都在抢大厂高管、海归的博士、抢自带光环的“明星科学家”，那可是“诸神之战”。

    好像谁家没几个 Google、微软回来的大神，都不好意思跟投资人打招呼。

    但 MiniMax 呢？简直是“草台班子”。闫俊杰找了一帮什么人？一帮年轻得不像话的生瓜蛋子。外界甚至吐槽，这团队配置也太素了，连个能镇住场子的海归大牛都找不到。

    是请不起吗？肯定不是。

    闫俊杰在访谈里说了一句比较扎心的话：我觉得之前的经历很多东西是没用的……甚至很多传统 AI 的经验是相悖的。

    这就很有意思了。在咱们看来，经验是宝贵的财富；但在他的算法里，这叫过拟合 (Overfitting)。

    你想啊，旧时代专家，脑子里装的都是上一代参数，他们太懂怎么调优一个小模型，太懂怎么做一个人脸识别了，但在 AGI 这个新物种面前，这些旧权重反而成了偏见，成了阻碍。

    反倒年轻人，没经验，也没被污染，他们就像一张没被训练过的显卡，算力纯净，可塑性极强。

    他还搞出了“实习生也有实习生”的操作。让 AI Agent（智能体）去给实习生打下手，干写代码、修 Bug 的脏活累活，这哪是招人，这分明在搭建一个人机混合的算力集群。

    除了人，还有事儿。如果别的创业公司，投资人肯定会按着头让你“聚焦”，你一个小公司，资源有限，先把文本模型搞好行不行？

    但闫俊杰偏不。

    他一上来搞了个“全家桶”：语音、文本、视频，我全都要；在当时看来，这简直找死，不仅违反了商业教材里的定位理论，也违反了创业公司的资源约束。

    那他为什么要这么干呢？因为他信物理学里的 Scaling Law（规模定律） 。

    在他的算法里，Scaling Law 有个前提，你的输入数据必须是完备的；你想想，人类怎么感知世界的？不光靠读文字，更得靠听、靠看。

    如果我们想要造出真正的 AGI（通用人工智能），却只给它喂文字，那就像想培养一个天才，却先把他的眼睛蒙上、耳朵堵上。这在物理上就不可能收敛到人类智能这个全局最优解。

    既然终局一定是多模态融合，那为什么要为了短期的“容易”，去造一个“残疾”的模型呢？

    所以，在访谈里，他特淡定地说，做语音、做视频当时看起来很蠢，甚至做了两年语言模型都没啥直接产出，但只要目标函数是对的，中间的亏，都为了收敛到全局最优解所付出的代价。

    参数（人）找齐了，目标（多模态）也定好了，怎么让这几百号“生瓜蛋子”，像一颗大脑一样精密运转？

    按照熟悉的互联网大厂逻辑，这时该上“管理手段”了，定 OKR、搞赛马机制、建中台、设层级，这也是很多大厂最引以为傲的“屠龙术”，但闫俊杰把这些通通扔进了垃圾桶。

    他在访谈里有点凡尔赛地说：我们公司没有 OKR，也试过，发现根本行不通。

    为什么行不通？

    这要回到理工男的脑回路了。在他眼里，公司是一个巨大的、待优化的函数。传统OKR 是什么？我知道桥在河对面，咱们拆解一下怎么搭桥，那是确定性环境下的工程管理。

    但在 AI 这个无人区，前面是一片迷雾，根本不知道桥在哪。这时定 OKR，就是瞎指挥。

    那 MiniMax 靠什么管人？

    靠算法，全公司最核心的会议，叫CD 会；这个词儿听着挺玄乎，其实是数学术语 Coordinate Descent（坐标下降法）的缩写 。

    啥意思呢？

    在多维空间里，我们不知道最低点（最优解）在哪，但可以让每个人（每个坐标）轮流调整，每次调整都让整体的 Loss（误差） 往下降一点点。

    智远认为，这是一套极度理性的“硅基管理哲学”。

    第一，消灭了中间商。

    传统公司里，产品经理是干啥的？写文档（PRD）、画原型、催开发；但在 MiniMax，这套流程太慢了。

    闫俊杰要求，产品经理得自己能写代码，能做 Demo，因为在神经网络里，神经元之间是直接传递信号的，不需要一个翻译官在中间传话。

    那些只懂“协调资源”的中间层，在这个系统里就是增加了延迟（Latency），必须被优化掉。

    第二，残酷的“剪枝”。

    这套系统听着很美好，运作起来很冷酷；我记得前段时间看一个报道说，MiniMax 高管流动性很大，甚至有早期合伙人被请走。

    咱们看来，这叫内斗或者动荡，而闫俊杰的算法里，这叫剪枝（Pruning）。

    如果一个参数（员工）的调整，始终不能让全局的 Loss 下降，甚至导致了模型发散（团队内耗），那么，不管他资历多老，在这个函数里，他就是无效变量，必须归零。

    所以，你看 MiniMax 的组织，既没有大厂温情脉脉的家文化，也没有打鸡血的兄弟文化，它更像一个高压运转的计算集群。

    每个人是一个变量，大家不看脸色，不看 PPT，只看一件事：每一次迭代，有没有让那个该死的 Loss 值往下降一点？

    这就是 AI Native 公司的真面目：极致扁平，极致效率，以及，呃……极致的无情。

    既然这套“硅基管理系统”这么厉害，是不是就无敌了？

    并没有。

    这台精密的机器在 2024 年上半年，也差点死机；那是 MiniMax 最纠结的一段时间；虽然Talkie在海外火了，但也让整个公司染上了一种互联网旧势力的病毒。

    那就是，追求虚荣指标（Vanity Metrics），闫俊杰说，那时，投资人天天盯着问 DAU（日活），公司内部开始疯狂讨论投流、买量、留存。

    这好比一个本来要练神功的武林高手，突然跑去练胸口碎大石了，因为来钱快，观众爱看，而且，这个时刻DeepSeek（深度求索） 横空出世了。

    DeepSeek 干了什么？

    没买量，没做复杂的App，靠一个强得离谱的模型，几天之内用户量炸裂，把所有还在卷投流的公司（包括 Kimi，也包括 MiniMax）脸都打肿了，这种行为，间歇性给MiniMax一个大嘴巴子。

    他既没有像有的同行那样，在那儿愤愤不平地算 DeepSeek 到底亏了多少钱，也没有像有的巨头那样假装看不见继续硬推，而是，把大嘴巴子识别为了一个极为宝贵的误差信号。

    那MiniMax干了什么事儿呢？

    一，砍掉胸口碎大石的项目：为了堆产品功能、为了虚荣指标而分散算力的项目（比如那个类似“即梦”的视频产品），直接停掉。

    二，修正权重：既然智能才是核心，那就把算力从运营那里抢回来，重新 All-in 到数学、编程这些最硬核的基础能力上。

    三，认错迭代：在访谈里他坦然承认自己“认知不够”，这叫根据最新的误差值，更新了自己的参数。

    很多人觉得 DeepSeek 是 MiniMax 的对手。但智远看来，DeepSeek 更像 MiniMax 这个神经网络的一次强效“梯度修正”。

    如果没有被打脸，MiniMax还在互联网流量思维的局部最优解里打转。正是这种修正，证明了闫俊杰这套系统的“鲁棒性” (Robustness) 。

    一个优秀的系统，当巨大的外部冲击到来时，它能接受对手的启发，瞬间完成自我纠错。

    一颗莫得感情的 CPU（闫俊杰），带着一堆没被旧时代染过色的生瓜蛋子（年轻人），跑着一套只看结果、不讲面子的算法（CD会），最后，还得加上脸被打肿了、下一秒就能立马调头的狠劲儿（纠错机制）。

    这确实是一个能够在这个乱世中活下来、甚至跑得很快的新物种。

    但复盘最后，我不得不面对那个最扎心的问题，也是罗永浩在访谈里反复追问、甚至有点焦虑的问题：如果公司都变成了这样，那我们人类，比如：产品经理、中层管理者，在这个系统里还有位置吗？

    闫俊杰回答很含蓄，他说边界会模糊，说大家都要懂技术。 但在我看来，这层窗户纸捅破了极其残酷：因为传统的中间层，注定消亡。

    在罗永浩的古典认知里，产品经理是“我有想法，工程师来实现”的人，是负责“指挥”的；但在闫俊杰的算法里，这个协调者的角色权重，正在无限趋近于零。

    为什么？

    因为他要求产品经理得自己做 Demo，自己写代码；在 AI 赋能的组织里，“想法”到“实现”的路径被无限压缩了；以前需要一个部门、开五次会才能干完的事，现在一个超级个体+ AI就能干完。

    所以，智远认为，未来公司组织，大概率会收敛成一种“哑铃型结构”：

    一端是“架构师”，像闫俊杰这样，负责定义目标函数（Target Function），负责设计系统如何运转，负责在至暗时刻计算生路。

    一端是“超级节点”：能够直接利用 AI 产出结果的个体，或者是能提供高质量数据（Data）的人，哪怕你是写小说的、画画的，只要你有原创性，你就是高权重的参数。

    而夹在中间靠传递信息、协调资源、管理情绪为生的科层制管理者，将被系统无情地剪枝。

    这听起来很悲观吗？

    访谈最后，闫俊杰提到了特德·姜的小说《软件体的生命周期》；那是一个关于人类如何与数字生命共存、共同进化的故事，或许，这就是一场“物种进化”。

    MiniMax 的三年，不仅是一家创业公司的突围史，更是一份未来组织的生存实验报告。

    它告诉我们，在 AI 时代，想要不被组织系统优化掉，唯一的办法，成为那个定义算法的人，要么，让自己也进化成系统的一部分。

    至于还抱着旧地图、沉溺于中间管理的人，抱歉，系统对齐的函数里，容不下噪音；罗永浩用生意思维，巧妙地把这套冷酷但有效的生存逻辑给“聊”了出来。

    有意思。产品底层是模型，把模型做好，剩下的，都只是渠道。

    以上，仅代表智远个人看法。

    本文由人人都是产品经理作者【王智远】，微信公众号：【王智远】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。

    题图来自Unsplash，基于 CC0 协议。