一家叫DiffuSpace的公司，最近完成数亿人民币融资，是"扩散语言模型"这个方向迄今全球最大的一笔。创始人孔令鹏，是香港大学的教授。投资方里，经纬、顺为、君联联合领投，中科创星、华为哈勃、地平线跟投——顺为是雷军创办的机构，华为哈勃则是华为旗下的投资平台。
这家公司押的，是一条和现在所有主流大模型都不同的技术路线。这条路能不能走通，关系到的不只是这一家公司，而是大模型这个行业下一步往哪走。
一、一条"非主流"路线，雷军华为都投了
现在所有主流大模型——GPT、DeepSeek、智谱——走的都是同一条路，叫"自回归"。它的原理很简单，就是一个字一个字往后生成：先出第一个字，再根据第一个字出第二个字，如此循环，直到把一句话写完。
这套方法统治了大模型好几年，但它有个天生的毛病：慢。因为要生成一百个字，就得跑一百步，一个字都跳不过去。
DiffuSpace押的是另一条路，叫"扩散"。这个词来自图像生成领域——Stable Diffusion就是用扩散模型画画。扩散的思路和自回归完全不同：它不是"一个字一个字敲"，而是"整体涂抹、并行生成"。蚂蚁集团的赵俊博有个很形象的说法：扩散模型能"直接修改Token"，不用像自回归那样只能往后写。
这里把两条路线的差异再讲细一点。自回归模型生成一句话，就像打字员一个一个敲字，敲到一半想改前面的字，只能删掉重来。扩散模型更像是画画，先在画布上涂一层模糊的底，然后一遍遍"去噪"、越来越清晰，而且想改哪个位置就能改哪个位置。这个差异，决定了它们的适用场景：从头写一段新文字，自回归够用；但改一个bug、改一段逻辑、在中间插一句话，扩散天生就擅长。
所以扩散语言模型最大的卖点，是"快"和"能改"：并行生成让它更快，整体涂抹让它能在任意位置下笔。
孔令鹏是港大教授，从学术界出来创业，做的就是这条"非主流"路线。顺为、经纬、君联、华为哈勃、地平线，这么多顶级资本同时押一条还没被验证的路，说明它们赌的不是"扩散一定赢"，而是"万一扩散赢了，先占住位置"。这跟当年押"开源还是闭源"、押"Transformer还是RNN"是一个逻辑——技术路线之争，赌错了是几亿打水漂，赌对了是下一个时代的入场券。而这家公司还预告，将在10月发布更大参数的模型，说明它不满足于"演示"，是想真刀真枪地把扩散语言模型做大。
二、扩散的优势，正在被自回归追平
但扩散这条路，远没有它的宣传那么顺。
第一个问题，是它引以为傲的"快"，打了折扣。自回归模型推理时，有一个叫KV-cache的加速技术——把已经算过的内容缓存起来，生成下一个字时不用重算。这里解释一下为什么它重要：自回归每算一个新字，都要"回头看"前面所有已经生成的字，如果不缓存，每生成一个字都得把前面的字重新算一遍，速度慢到不可接受。KV-cache就是把算过的结果存起来，每次只算增量。而扩散模型是"整体并行"的，没有这种"从前到后"的顺序，也就用不上这个加速。所以扩散的"并行"，是拿"没法缓存"换来的，一进一出，优势就没那么明显了。
第二个问题更根本。扩散模型引以为傲的另一个能力，是"任意顺序生成"——可以填空、可以从中间开始、可以修改。但已经有论文证明，自回归模型通过特殊训练，也能做到"任意顺序生成"，和扩散模型匹敌。换句话说，扩散的差异化卖点，正在被自回归一点一点追平。
还有第三层。有理论分析直接说，扩散语言模型未必比自回归好，结果甚至可能相反。原因在于，扩散在图像上成功，是因为图像是连续的——像素可以模糊、可以渐变，"逐步去噪"天然适配。但语言是离散的，一个字就是一个字，对错分明，扩散的"去噪"在离散空间里很难做。这是扩散语言模型最底层的理论障碍。
所以扩散现在的处境有点尴尬：优势在一点点缩小，障碍却一直没去掉。可为什么还有这么多资本在押它？答案得从更底层去找。
三、"token必须死"：这场仗的底层，是范式革命
要回答这个问题，得把视角拉到最底层。
扩散语言模型真正的障碍，是"token"这个东西本身。token是"词元"，是现在所有大模型的基本单位——不管是自回归还是扩散，都在token的层面上工作。但已经有人喊出了更激进的口号："token必须死"。意思是，token这种离散的表示方式，本身就限制了模型的能力，下一代模型应该放弃离散token，改用连续的表示。
如果这个判断成立，那这场"扩散vs自回归"的争论，其实只是更大变革的一个前奏——真正要变的，是token这个地基本身。而扩散被推到台前，是因为它在"连续表示"这条路上，比自回归走得更近了一步。它不只是一条技术路线，更像是一次范式革命的探路。
而行业最顶层的人，也已经开始反思了。Karpathy——前OpenAI、特斯拉AI的负责人，AI圈最有影响力的人之一——2025年11月就发帖说，人类的思维或许更偏向自回归，但潜意识里"很难说就不存在某种更像扩散的机制"，两者之间"可以插值、甚至泛化"。知名研究者Sebastian Raschka在2026年预测里也写：Transformer统治依旧，但扩散模型正悄然崛起。
更关键的是，这不是DiffuSpace一家的赌注。谷歌2025年5月就发布了扩散版Gemini——Gemini Diffusion，2026年又开源了扩散模型DiffusionGemma。蚂蚁的赵俊博公开讲扩散，团队还开源了千亿参数的扩散模型LLaDA 2.0。华为哈勃也在投。这说明"扩散"已经从"一家公司的豪赌"，变成了"巨头们的共识性试探"——大家都在试探，下一代大模型到底该长什么样。当一个技术方向同时被谷歌、蚂蚁、华为这些巨头用真金白银或人力去布局，它就不再是边缘的"非主流"，而是"下一个范式"的候选者之一。
而且，扩散语言模型现在最务实的一条路，不是"从头训练一个扩散模型去颠覆自回归"，而是"把已有的自回归模型适配成扩散模型"——DiffuSpace自己的Dream 7B就是这么干的，它用Qwen2.5 7B的自回归权重初始化，再转成扩散范式。这意味着扩散现在还离不开自回归的底子，它更像是自回归的一个"升级补丁"，而不是一个"替代者"。
回到DiffuSpace。它押的这条扩散路线，真正的价值可能不在"取代自回归"，而在"补上自回归做不好的那一块"——代码编辑、文档修改、Agent的自我修正。自回归只能往后写，想改前面得删了重来；扩散能直接改任意位置。这个"可修改"的能力，在代码场景里有实实在在的用处。
所以这场路线之争，最后可能不是"谁取代谁"，而是"分工"：自回归管生成，扩散管修改。而DiffuSpace，以及它背后的经纬、顺为、君联、华为哈勃、地平线，赌的是这个"修改"的市场，够不够大，值不值得现在就用数亿人民币去卡位。
这个"分工"的图景，其实在AI历史上出现过一次。当年图像生成领域，上一代范式是GAN，后来被扩散模型彻底取代——因为扩散画出来的图，质量肉眼可见地碾压GAN。有人会问：语言领域会不会重演？答案可能不会那么干脆。因为GAN被取代，是扩散在"质量"上碾压了它；而扩散在语言上，质量能不能碾压自回归，至今没有被证明。更可能的结果，不是"扩散取代自回归"，而是"两条路线共存、各干各的"——自回归继续做"生成"，扩散去做"修改和编辑"。这比"颠覆"温和，也比"消失"实在得多。
至于"token会不会死"、自回归会不会被颠覆，那是更大的问题，Karpathy们也还没想清楚。DiffuSpace能做的，是先站在"质疑自回归"这条战线上，在扩散语言模型这个还没人站住的位置上先占个位。