上周六回南通奶奶家，刚推开门就被老太太拽到茶几边。
她举着个壳子磨得掉漆的旧安卓手机，屏幕上是二十多张杂七杂八的图：有跳广场舞时拍的糊成一团的集体照，有社区重阳节活动的手写通知拍的翻拍件，还有她记在便签本上的给爷爷买降压药的待办。之前楼下修手机的小伙子说，要把这些图里的文字全转出来、糊的照片修清楚，得收八十块手工费，她舍不得，攒了三天等我回来弄。
我当时本来还在想，这得切多少个APP啊——OCR转文字要开一个，修图要开一个，整理待办要开备忘录，弄完估计得半小时。结果我掏出自己平时用的那个装了多模态大模型的工具，把相册里那堆乱哄哄的图全选了丢进去，输了一句”把所有手写内容整理成爷爷的出门待办，把糊的广场舞照片里清晰的挑出来修完存到单独相册”。
10秒。
真的10秒。
我当时盯着屏幕都愣了。待办列得清清楚楚，哪张照片是糊的、哪张能修，分的明明白白，连奶奶拍的时候不小心入镜的我家堂弟的大脸，都被标了”无关内容”。
别再被那些神化的宣传骗了
很多人现在一提到多模态大模型，就觉得是能上天入地的超级AI，能写能画能拍电影，跟科幻片里的智械没差。真不是。
它最开始干的事，根本就没有那么高大上。就是把以前散得七零八落的各种小能力，揉成了同一个能”读得懂混合内容”的脑子。
之前我们用工具是什么体验？你发文字给AI，它回文字，没问题。你给它发张图，要么识别错得离谱，要么得专门跳到OCR功能模块里转文字，要修图又得切到修图APP，要整理待办再切到备忘录，来回切个三四次，本来两分钟能干完的事，折腾十分钟都不一定弄完。
就这么简单。
没有什么天翻地覆的革命。
就是少切了十几个APP而已。
它最擅长的根本不是跟你聊哲学
我见过太多宣传，把多模态大模型吹得好像能跟你聊人生聊理想，能帮你写万字长文，能生成堪比专业摄影师的作品。说真的，这些功能有没有？有。但对绝大多数普通人来说，这些功能的使用频率，可能跟你买了个多功能榨汁机最后只用来榨过两次果汁差不多。
你平时真能天天用上的，全是那些你嫌麻烦不想干的碎活。
比如你开了一上午会，手机架在旁边录了半小时音，顺手拍了三张白板上的项目节点，散会的时候同事又在微信上给你发了两句语音补充了个截止时间。搁以前，你得花二十分钟：先把录音转成文字，再对着三张白板照片把漏的节点补上，再把语音里的截止时间抠出来，整成能发群的会议纪要。现在你把这堆录音、照片、语音一股脑丢给多模态大模型，说”整理成100字以内的待办，标清楚每一项的负责人和截止时间”，半分钟就出来了。
上次我姐开社区烘焙店，攒了十七张皱巴巴的手写进货条，还有两段跟供货商的语音通话，每次盘账她都要对着表格敲一晚上，眼睛都看花。那天我帮她把这些乱七八糟的材料导进去，三分钟，整完了。她当时盯着屏幕半天，说早知道有这东西，上次为了盘账哭的那半小时算什么啊。
哦对，还有那种你手机相册里存了几千张图，想找去年跟朋友在山上拍的那张日落，翻半小时都找不到的情况。现在你只要说一句”找出去年秋天在栖霞山拍的，有红枫树和日落的那张照片”，它几秒钟就给你揪出来了。
那些吹得太满的话，听听就好
我知道现在很多人把多模态大模型吹得神乎其神，说它马上就能取代设计师、取代摄影师、取代所有坐办公室的人。扯淡。
我上周拿它给我朋友家的三花猫配视频文案，猫趴在窗台上盯着外面的鸟看，尾巴晃来晃去。结果模型把猫认成了橘猫，写的文案是”胖橘晒太阳的慵懒午后”——给我朋友气的，说自己家猫天天控制食量减肥，怎么就成胖橘了。
它会错。
错得还挺离谱。
就像你刚招的实习生，记性好，手脚快，但是对你们家的具体情况还没摸透，你不能把所有事都扔给它就撒手不管了。你得盯着，得纠正，得告诉它”这是三花，不是橘猫”，不然它能给你错得离谱。
说实话，我之前也跟着凑热闹，下了好几个号称”全能多模态”的APP，翻来覆去玩了三天，最后留下来的，全是那些真能帮我省半小时碎活的功能。什么能生成史诗级电影片段的功能，我用了两次就删了——我一个普通上班族，哪有那么多功夫拍史诗片段啊，我连每天倒垃圾都要定三个闹钟。
别神化它。
也别贬低它。
它本质上就是个帮你处理碎事的工具，就像当年的洗衣机。刚出来的时候有人说它会让人变懒，有人说它会取代手工洗衣服的匠人，结果呢？大家只是不用每天蹲在河边搓衣服了而已。那些需要用心的事，比如跟奶奶坐在茶几边剥橘子聊天，比如蹲在猫旁边等它凑到镜头前拍一张专属的照片，比如给好朋友写一段掏心窝子的生日祝福，从来都不会被工具取代。
哦对，上次我帮奶奶弄完手机，她塞给我一把刚炒的南瓜子，说现在的年轻人真厉害，什么都会。我没好意思说，我其实就是个把一堆材料丢给AI的传声筒而已。
这大概就是多模态大模型最实在的样子吧。没有那么多惊天动地的叙事，就是帮普通人把那些攒了半天的碎事，快一点弄完，省出点时间，去做点真的想做的事。
作者|科技
排版|科技
审核|乐乐