当古老农耕文明邂逅现代科技

以(yǐ)ChatGPT为代表的语言类大模型(móxíng)重塑内容生成方式时，多模态(mótài)模型还在等待它的“iPhone时刻”。近日(jìnrì)召开的2025智源大会上，智源研究院（以下简称“智源”）正式发布了(le)包括原生多模态世界模型Emu3等“悟界”大模型系列，Emu3实现了文本、图像、视频的任何组合理解(lǐjiě)与生成，通过单一模型就可以捕捉世界的规律。

AI发展之快，每年都有新话题(huàtí)，2024年，价格战是(shì)大(dà)模型的关键词，2025感到风向变了，大模型应用百花齐放，反而有种大模型发展“变慢”了的体感。

事实上，市场上新旧产品同台(tóngtái)竞技(jìngjì)，呈现出立体、多维度的思考，多模态大模型更是如此。按照当前技术成熟度评估(pínggū)，视频生成等核心能力仍处于GPT-2到GPT-3的过渡阶段，与产业预期(qī)存在显著差距。多模态模型将经历更长的技术沉淀期，这也意味着更大的想象力(xiǎngxiànglì)空间。

大模型(móxíng)爆发至今，很多时候无外乎是选对了方向，又懂得流量密码，一个现象级产品就(jiù)横空出世(héngkōngchūshì)了。事实上，这种选择需要前期足够多的思考、实践和勇气。

严格来说，Emu3是智源2024年10月发布的多模态(mótài)模型，目前智源已在训练下一个版本。基于Emu3，智源还官宣了(le)全球首个脑科学多模态通用基础模型见微(jiànwēi)Brainμ。

“当前多模态大模型的(de)学习路径，尤其是多模态理解模型，通常是先将语言模型训练到很强的程度，再(zài)学习其他模态信息。”智源研究院院长王仲远向北京商报记者解释，“这就如同先达到(dádào)博士学位水平，再去接触其他知识，在这个过程(guòchéng)中，模型的能力可能会出现下降，从博士水平降到(jiàngdào)大学甚至高中水平。”

显然人类的学习路线不是这样的，从出生就开始听声音、跟物品和图像交互，反而文字是在幼儿园(yòuéryuán)或(huò)小学才开始接触的。

Emu3所谓(suǒwèi)的原生多模态大模型的原生正是如此，“是指在模型训练(xùnliàn)初始(chūshǐ)阶段，就(jiù)将文字、图像、声音乃至脑信号等各种模态数据(jù)都纳入其中进行训练。随着模态种类不断增加，如何从繁杂的模态数据中筛选出最有效的信息，成为亟待突破的技术难题”，据王仲远介绍，这与企业选择的技术路线存在差异。

“技术方案不够收敛”也是Sand.ai创始人(chuàngshǐrén)兼CEO曹越提到的多模态(mótài)模型发展的第一个挑战。

视频生成(shēngchéng)处在GPT-2-GPT-3阶段

以曹越在(zài)微软研究院(yánjiūyuàn)(yánjiūyuàn)、智源研究院又创立Sand.ai的经历(jīnglì)，他认为过去有两个技术进展最令人印象深刻，“一个是ChatGPT，或者说预训练的规模化，另一个是GPT-o2和DeepSeek R2这种类型的技术，本质上是Test-time scaling（测试(cèshì)时缩放）”。

在他所在的(de)视频生成领域，“Sora的出现，让大家意识到视频生成的质量可以(kěyǐ)这么高，但从(cóng)技术方向看，DiT训练方案有很大(hěndà)(hěndà)问题(wèntí)，核心问题就是不够可拓展”，曹越以大语言模型举例对比，“有点像2018年的BERT。当时核心痛点是，当训到10B大小时，要再更大时就不会有进步了。BERT一开始有很好的生成效果，但是ChatGPT后来者居上，因为ChatGPT可以训1000B。这意味着在技术方案方面还有很大的技术空间(kōngjiān)，生成效果上也(yě)有很大的提升空间”。

智象未来创始人兼(jiān)CEO梅涛更加直接(zhíjiē)，“目前视频生成处于GPT-2到GPT-3的阶段”。

梅涛把视频生成问题总结为(wèi)三点，叙事性、稳定性、可控性(kěkòngxìng)。“要保证视频做5分钟和1小时是完整的(de)故事，IP要有一致性。稳定性现在做得还(hái)可以”，谈到可控性，他拿自己在北京电影学院上过的一门课“镜头的语言”举例(jǔlì)，“导演的要求非常高(gāo)，第几秒出现什么镜头、人物出现什么表情要求非常高，今天的大模型还没有做到这一点，我们还在等待ChatGPT时刻的到来”。

其实，不管是大语言模型还是多模态模型，数据的存量和增量、成本等一系列问题，都会限制发展(fāzhǎn)，但在智谱AI CEO张鹏看来(kànlái)，这都是表面现象，“还有(háiyǒu)一个最瓶颈、最麻烦的地方就是商业应用”。

他进一步说，“传统的CV（计算机(jìsuànjī)视觉）模型的落地应用比(bǐ)较成熟，大模型在视觉理解能力(lǐjiěnénglì)得到提升，或者泛化能力更强以后，可以迅速替代(tìdài)和填补原来传统的视觉模型应用领域的空白需求，无非就是成本收益比的问题。只要有市场有需求，基础研发(yánfā)人员就可以把成本压下来，形成规模化应用以后，达到商业化应用的临界点”。

对于视频(shìpín)生成来说，张鹏认为，“基于视觉生成，这两个事情(shìqíng)还没有完全统一起来。这使得我们要同时兼顾两件事。目前这两件事在技术角度上，没有太好的办法融合到一起，带来(dàilái)的根本约束更大”。

梅涛创立的智象未来关注怎样(zěnyàng)将(jiāng)多模态模型进行应用，帮助客户和用户发挥创造力，提升生产力。从2023年到2025年，他对(duì)多模态模型应用每年都有新观察。

“2023年模型就是(jiùshì)产品，我们做的是模型的服务，也(yě)就是PaaS（平台即服务），到了2024年可以卖工具，工具就是SaaS（软件即服务），我们希望(xīwàng)做每个人都能使用(shǐyòng)的工具，后来发现工具的使用门槛比较高，特别是做影视级专业内容的需求。2025年我们再往上升级，客户不用关心我们是怎么做的，我们希望直接把(bǎ)结果交给用户(yònghù)，帮用户做增长、跟用户分佣。”梅涛说。

根据中研普华产业研究院的数据，2024年全球(quánqiú)多模态AI市场规模达到24亿美元(yìměiyuán)，年均复合(fùhé)增长率(zēngzhǎnglǜ)超过28%。预计到2025年，全球多模态大模型市场规模将达到1280亿美元，2023—2025年复合增长率高达62.3%。虽有诸多挑战，多模态大模型的未来仍(réng)是一片星辰大海。