AI爆點(diǎn)轉(zhuǎn)移至多模態(tài)，體現(xiàn)了什么行業(yè)趨勢(shì)？

2025年的AI爆點(diǎn)正在發(fā)生轉(zhuǎn)移。

自DeepSeek R1上半年引爆行業(yè)情緒之后，“純文本+推理”范式下的模型鮮少再現(xiàn)重量級(jí)成果。進(jìn)入下半年，話題重心明顯滑向多模態(tài)領(lǐng)域。

Sora 2被封裝成可交付應(yīng)用、谷歌推出圖像編輯能力更強(qiáng)悍的Nano Banana；AI Agent這端同樣如此，在Manus這樣文本屬性更突出的通用型產(chǎn)品之后，達(dá)到相近級(jí)別熱度的是主攻視覺創(chuàng)作場(chǎng)景的LoveArt。

在這背后，文本模型的迭代進(jìn)入一種基線較高、小步抬升的階段，而多模態(tài)理解與生成能力在可用性上，向“破圈”層級(jí)又近了一步。

一名從事模型訓(xùn)練的研究人員對(duì)界面新聞?dòng)浾咧赋�，要理解這個(gè)現(xiàn)象，首先要認(rèn)識(shí)到文本與多模態(tài)兩個(gè)方向的研究是并行而非串行。

經(jīng)過GPT-3、GPT-4、OpenAI o1等重大節(jié)點(diǎn)之后，大模型的語言理解能力足以交付C端（用戶）應(yīng)用，后續(xù)優(yōu)化集中在穩(wěn)態(tài)工程，例如對(duì)齊、降本、延遲優(yōu)化、魯棒性等等，這些能夠進(jìn)一步優(yōu)化C端應(yīng)用體驗(yàn)和B端（企業(yè)）商用價(jià)值，但用戶感知不再像GPT-4來臨時(shí)那樣有強(qiáng)烈沖擊。

一個(gè)典型的例子是DeepSeek-OCR。這是一個(gè)在話題性上不足以震撼人心的demo，但有其長(zhǎng)期影響力。

DeepSeek-OCR在10月20日推出，定位于探索文本的視覺壓縮能力（光學(xué)上下文壓縮，Contexts Optical Compression）。簡(jiǎn)單而言，隨著上下文輸入增多，模型計(jì)算量以平方級(jí)陡增，但通過將長(zhǎng)文本轉(zhuǎn)化為圖像識(shí)別，可以大幅壓縮token計(jì)算數(shù)量。這一思路得到驗(yàn)證的成果是，它一旦落地到應(yīng)用端，也是一個(gè)前景頗為確切的降本增效方式。

多模態(tài)這一側(cè)完全不同，其能力曲線仍在還可以被更多人感知的區(qū)域內(nèi)。不過，前述受訪者指出，從并行的思路來看，多模態(tài)模型這端還未實(shí)現(xiàn)架構(gòu)層級(jí)的突破，更多是足夠的數(shù)據(jù)累積和訓(xùn)練技巧提升。

圖源：界面新聞

正如他對(duì)Sora 2和Nano Banana的判斷，除去OpenAI對(duì)多模態(tài)生成類產(chǎn)品的初步構(gòu)想成型，以及谷歌對(duì)圖像編輯器現(xiàn)階段用戶需求的把握（例如錨定一個(gè)點(diǎn)進(jìn)行針對(duì)性修改），兩款產(chǎn)品在生成質(zhì)量上并未實(shí)現(xiàn)飛躍。

并且，在很大程度上，以“文生圖、文生視頻”為代表的多模態(tài)生成領(lǐng)域，其表現(xiàn)優(yōu)化是以文本模型性能提升為前提。階躍星辰創(chuàng)始人兼CEO姜大昕此前在接受界面新聞?dòng)浾卟稍L時(shí)指出，理解與生成之間的關(guān)系是，理解控制生成、而生成監(jiān)督理解。

一級(jí)市場(chǎng)也在見證這種關(guān)注點(diǎn)切換。一名AI投資人對(duì)界面新聞?dòng)浾弑硎�，他的體感是今年行業(yè)整體投資事件增多，但投資規(guī)模在降低，這是投資重點(diǎn)由模型層向應(yīng)用層過渡后，后者的市場(chǎng)規(guī)模及估值所決定的。

在這之中，今年最顯眼的一筆來自應(yīng)用層視覺創(chuàng)作領(lǐng)域的LiblibAI。10月23日，LiblibAI宣布完成1.3億美元B輪融資，紅杉中國(guó)、CMC資本等參與其中，促成今年國(guó)內(nèi)資本市場(chǎng)AI應(yīng)用賽道最大的一筆融資。這意味著相較其他賽道，團(tuán)隊(duì)的PMF（product-market-fit）更大程度受到資本認(rèn)可。

在往后很長(zhǎng)一段時(shí)間，業(yè)界能夠期待的“爆點(diǎn)”或許都將更多來自于多模態(tài)領(lǐng)域。

姜大昕一直強(qiáng)調(diào)的觀點(diǎn)是，光有語言的智能不夠，多模態(tài)是大模型的必經(jīng)之路。而在這片領(lǐng)域，理解與生成的統(tǒng)一仍是現(xiàn)階段的突破點(diǎn)。

多名受訪者曾對(duì)界面新聞?dòng)浾弑硎�，站在模型�?xùn)練角度，視覺模態(tài)比文本模態(tài)面臨的挑戰(zhàn)更大。單從數(shù)據(jù)上來看，文本的表征可以在語義上自閉環(huán)，但視覺信息的表征需要先與文本對(duì)齊，不存在天然自閉環(huán)的數(shù)據(jù)，“可能需要幾次像ChatGPT、強(qiáng)化學(xué)習(xí)范式這樣的大技術(shù)變遷才能解決�！币幻�受訪者說。

而一派觀點(diǎn)認(rèn)為，基于更好的多模態(tài)模型，世界模型、具身智能、空間智能等才能得到長(zhǎng)足發(fā)展，行業(yè)才能進(jìn)一步靠近AGI（通用人工智能）。

更現(xiàn)實(shí)的考量是，模型決定應(yīng)用能力上限，在文本模型集中火力降本增效和緩慢提升性能的同時(shí)，多模態(tài)模型的突破有望給市場(chǎng)帶來更多PMF機(jī)會(huì)，這將是創(chuàng)業(yè)者和投資人眼中更具實(shí)際價(jià)值的關(guān)鍵變化。