聚焦多模态：ChatGPT时刻未到，2025大模型“变慢”了吗

以(yǐ)ChatGPT为代表的语言类大模型重塑内容生成方式时，多模态模型还在等待(děngdài)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(xìliè)，Emu3实现了文本(wénběn)、图像、视频的任何组合(zǔhé)理解与生成，通过(tōngguò)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，价格战是大模型的(de)关键词，2025感到风向变了(le)，大模型应用百花齐放，反而有种大模型发展“变慢”了的体感(tǐgǎn)。

事实上，市场上新旧产品同台竞技，呈现出(chéngxiànchū)立体(lìtǐ)、多维度(duōwéidù)的思考，多模态大模型更是如此。按照当前技术成熟度评估，视频生成等核心(héxīn)能力仍处于GPT-2到GPT-3的过渡阶段，与(yǔ)产业预期存在显著差距。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空间。

大模型爆发至今，很多时候无外乎是选对了(le)方向，又懂得流量密码，一个现象级产品就横空出世了。事实上，这种(zhèzhǒng)选择需要(xūyào)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(duō)模态模型，目前智源已在训练下一个版本。基于Emu3，智源还官宣了全球首个脑科学(nǎokēxué)多模态通用(tōngyòng)基础模型见微Brainμ。

“当前多模态大模型的学习路径，尤其是多模态理解模型，通常(tōngcháng)是先将语言模型训练(xùnliàn)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(jiěshì)，“这就如同先达到博士学位水平，再去接触其他知识，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(jiàngdào)大学甚至高中水平。”

显然人类(rénlèi)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或(huò)小学才开始接触的。

Emu3所谓的原生多(duō)模态大模型的原生正是如此，“是指在模型训练初始阶段(jiēduàn)，就将文字、图像、声音乃至脑信号等各种模态数据都纳入其中(qízhōng)进行训练。随着模态种类不断(bùduàn)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(xuǎnzé)的技术路线存在差异。

“技术方案(fāngàn)不够收敛”也是Sand.ai创始人兼CEO曹越提到的(de)多模态模型发展的第一个挑战。

视频生成(shēngchéng)处在GPT-2-GPT-3阶段

以曹越在微软研究院、智源研究院又(yòu)创立(chuànglì)Sand.ai的(de)(de)经历，他认为过去有两个技术(jìshù)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（测试时缩放）”。

在(zài)他所在的视频生成领域，“Sora的出现，让(ràng)大家意识到视频生成的质量(zhìliàng)可以这么高，但从技术(jìshù)方向(fāngxiàng)看，DiT训练方案有很大问题，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(yǒudiǎnxiàng)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(hòuláizhějūshàng)，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(yě)有很大的提升空间”。

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

梅涛把视频生成问题(wèntí)总结为三点，叙事性、稳定性、可控性。“要保证视频做5分钟和1小时(xiǎoshí)是完整的(de)故事，IP要有一致性。稳定性现在做得还(hái)(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，“导演的要求非常高，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(zuòdào)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(huì)限制发展(fāzhǎn)，但在智谱AI CEO张鹏看来，这都是表面现象(biǎomiànxiànxiàng)，“还有一个最瓶颈、最麻烦的地方就是商业应用”。

他进一步说(shuō)，“传统的(de)CV（计算机视觉）模型的落地(luòdì)应用比较成熟，大模型在视觉理解能力得到提升，或者泛化能力更强以后，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(jīchǔ)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(zhè)两个事情还没有完全统一起来。这使得我们要同时(tóngshí)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，带来的根本约束更大”。

梅涛创立的智象未来关注怎样将多模态(mótài)模型(móxíng)进行应用，帮助客户和(hé)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都有新观察。

“2023年模型(móxíng)就是产品，我们做的(de)是模型的服务，也就是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），我们希望做每个人都能使用的工具，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(shàng)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(méitāo)说(shuō)。

根据中研普华产业研究院的数据，2024年全球多模态AI市场规模达到24亿美元，年均(niánjūn)复合(fùhé)增长率超过28%。预计到2025年，全球多模态大模型(móxíng)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是(shì)一片星辰(xīngchén)大海。