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

2025年的AI爆點正在發(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)重量級成果。進入下半年，話題重心明顯滑向多模態(tài)領域。

Sora 2被封裝成可交付應用、谷歌推出圖像編輯能力更強悍的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，達到相近級別熱度的是主攻視覺創(chuàng)作場景的LoveArt。

在這背后，文本模型的迭代進入一種基線較高、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”層級又近了一步。

一名從事模型訓練的研究人員對界面新聞記者指出，要理解這個現(xiàn)象，首先要認識到文本與多模態(tài)兩個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)點之后，大模型的語言理解能力足以交付C端（用戶）應用，后續(xù)優(yōu)化集中在穩(wěn)態(tài)工程，例如對齊、降本、延遲優(yōu)化、魯棒性等等，這些能夠進一步優(yōu)化C端應用體驗和B端（企業(yè)）商用價值，但用戶感知不再像GPT-4來臨時那樣有強烈沖擊。

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

DeepSeek-OCR在10月20日推出，定位于探索文本的視覺壓縮能力（光學上下文壓縮，Contexts Optical Compression）。簡單而言，隨著上下文輸入增多，模型計算量以平方級陡增，但通過將長文本轉(zhuǎn)化為圖像識別，可以大幅壓縮token計算數(shù)量。這一思路得到驗證的成果是，它一旦落地到應用端，也是一個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)模型這端還未實現(xiàn)架構(gòu)層級的突破，更多是足夠的數(shù)據(jù)累積和訓練技巧提升。

圖源：界面新聞

正如他對Sora 2和Nano Banana的判斷，除去OpenAI對多模態(tài)生成類產(chǎn)品的初步構(gòu)想成型，以及谷歌對圖像編輯器現(xiàn)階段用戶需求的把握（例如錨定一個點進行針對性修改），兩款產(chǎn)品在生成質(zhì)量上并未實現(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記者采訪時指出，理解與生成之間的關系是，理解控制生成、而生成監(jiān)督理解。

一級市場也在見證這種關注點切換。一名AI投資人對界面新聞記者表示，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，這是投資重點由模型層向應用層過渡后，后者的市場規(guī)模及估值所決定的。

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

在往后很長一段時間，業(yè)界能夠期待的“爆點”或許都將更多來自于多模態(tài)領域。

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

多名受訪者曾對界面新聞記者表示，站在模型訓練角度，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齊，不存在天然自閉環(huán)的數(shù)據(jù)，“可能需要幾次像ChatGPT、強化學習范式這樣的大技術變遷才能解決。”一名受訪者說。

而一派觀點認為，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足發(fā)展，行業(yè)才能進一步靠近AGI（通用人工智能）。

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