当古老农耕文明邂逅现代科技

以ChatGPT为代表(dàibiǎo)的(de)语言类大模型重塑内容生成(shēngchéng)方式(fāngshì)时(shí)，多模态模型还在等待它的“iPhone时刻”。近日召开的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(zǔhé)理解与生成，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，2024年，价格战是大(dà)模型的关键词，2025感到(gǎndào)风向变(biàn)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竞技，呈现出立体、多维度的思考，多模态大模型更是如此(gèngshìrúcǐ)。按照当前(dāngqián)技术(jìshù)成熟度评估，视频生成等核心能力仍处于(chǔyú)GPT-2到GPT-3的过渡阶段，与产业预期存在(cúnzài)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空间。

大模型爆发(bàofā)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(hé)勇气。

严格来说，Emu3是智源(zhìyuán)2024年10月发布的多模态模型，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(tōngyòng)基础模型见微Brainμ。

“当前多(duō)模态大(dà)模型的学习路径，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，再学习其他模态信息。”智源研究院院长王仲远向北京(běijīng)商报记者解释(jiěshì)，“这就如同先达到博士学位水平，再去接触其他知识(zhīshí)，在这个过程中，模型的能力可能会出现下降，从博士水平降到大学甚至高中水平。”

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

Emu3所谓(suǒwèi)的原生多模态大模型(móxíng)的原生正是如此，“是指在模型训练初始阶段，就将文字、图像、声音乃至脑信号等各种模态数据都纳入(nàrù)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(chū)最(zuì)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创始人兼CEO曹越提到(tídào)的多(duō)模态模型发展的第一个挑战。

视频生成处在GPT-2-GPT-3阶段(jiēduàn)

以曹越在微软研究院(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(jìnzhǎn)最令人印象深刻，“一个是(shì)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（测试时(shí)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这么高，但从技术方向看，DiT训练方案有(yǒu)很大问题(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(yào)再(zài)更大时(dàshí)就不会有进步了。BERT一开始有很好的生成效果(xiàoguǒ)，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，生成效果上也有很大的提升(tíshēng)空间”。

智象未来创始人(chuàngshǐrén)兼(jiān)CEO梅涛更加直接，“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三点，叙事性、稳定性、可控性。“要保证(bǎozhèng)视频做5分钟和1小时是完整的(de)(de)故事(gùshì)，IP要有一致性。稳定性现在做得还可以”，谈到可控性，他拿(ná)自己在北京电影学院上过的一门课“镜头的语言”举例，“导演的要求非常高，第(dì)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(wèntí)，都会限制发展，但在智谱AI CEO张鹏看来，这都是表面现象，“还有一个(yígè)最瓶颈、最麻烦的地方就是(jiùshì)商业应用”。

他进一步说，“传统的CV（计算机视觉）模型的落地应用(yìngyòng)比较成熟，大模型在(zài)视觉理解能力得到提升(tíshēng)，或者泛化能力更强以后(yǐhòu)，可以迅速替代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(shāngyèhuà)应用的临界点”。

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

梅涛创立的智象未来(wèilái)关注怎样将多模态模型进行应用，帮助(bāngzhù)客户和用户发挥创造力，提升生产力。从2023年到2025年，他对多模态模型应用每年(měinián)都有新观察。

“2023年模型就是(shì)产品，我们(wǒmen)做的是模型的服务，也就是PaaS（平台即服务），到了2024年可以卖工具(gōngjù)，工具就是SaaS（软件即服务），我们希望做每个人(rén)都能使用的工具，后来发现工具的使用门槛(ménkǎn)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，我们希望直接把结果交给用户，帮用户做增长、跟用户分佣。”梅涛说(shuō)。

根据中研(yán)普华产业研究院的数据(shùjù)，2024年全球多模态AI市场规模(guīmó)达到24亿美元，年均复合增长率超过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(suī)有诸多挑战，多模态大模型的未来仍是(shì)一片星辰大海。