上周六翻家里储物间的铁箱子，翻出张1998年外婆在巷口卖糖粥的照片。右下角缺了快巴掌大的角，刚好把她手里攥的、给我留的那块桂花糖的位置给磨没了。之前找影楼修过，师傅说缺的部分没有参考，补出来总像贴上去的塑料片，假得硌眼睛。那天我坐地板上垫着个快递盒，坐了快半小时，腿都麻了，对着那照片碎碎念了快二十分钟，一会骂当年的塑料相框质量差，一会想我那时候攥着糖串跑的样子，顺手把照片拖进了最近常用的那个多模态工具里，连提示词都没好好写。
等我倒了杯热牛奶回来，屏幕上的图居然对上了。缺的角里不仅补出了半块裹着芝麻的桂花糖，连我当时露在照片边缘的、沾了泥的白球鞋尖，都给顺出来了。我当时盯着屏幕愣了三秒。这根本不是之前那种只会对着文字接话的聊天机器人能做到的事对吧？
你根本不用背它的定义，先搞懂它和你之前用的AI差在哪
之前你用的那些AI工具，本质上是个“偏科的复读机”。你给它发文字，它就只能从读过的几亿字文本里扒相关的内容拼答案。你要是发张图问它这图里有啥，它顶多给你报个菜名——“图中有一位老年女性，站在老旧的巷口，旁边有木质推车”，干巴巴的，像刚入职的实习生念打卡记录。
但多模态大模型不一样。它是真的把你给的文字、图片、甚至你发的一段3秒的语音，揉成了同一种它能读懂的信号。
它不会把你发的图和你打的字拆成两个互不相干的任务。就像你跟朋友唠嗑的时候，你不会把“我手里的这张照片”和“我刚才说的那堆关于小时候吃糖的碎话”分成两件事说——你说的时候，对方是看着照片听你唠的，自然知道你真正想要的不是把缺的像素补全，是把你记忆里那点没拍全的、软乎乎的感觉找回来。
之前我试过给老的纯文本AI发这张缺角照片，它连我发的是图都识别不出来，给我回了三行“请您补充具体的文字描述，我将为您提供相关建议”，给我气的差点把电脑扣上。我当时真的差点笑出眼泪，合着我把图拖进去的那十秒，它根本就没看见图。
别被网上的营销话术忽悠了，它现在还远没到“全能”的程度
好多人现在刷到点演示视频，就觉得这东西能当全能助理了——能帮你剪视频，能帮你写方案，能帮你看懂所有专业文献，甚至能替你上班。真不是。
我前几天拿它试了个小测试：给它发了张我家猫蹲在键盘上踩出来的乱码截图，配的话是“你看看这猫踩出来的字是什么意思”。它倒好，认认真真给我解读了二十行，说这串字符是某种古老的网络暗号，代表了猫咪对主人的依恋情绪。我当时笑到可乐喷在键盘上。
它现在的“懂”，更像一个看过了全世界所有公开内容、记性特别好但从来没真正在生活里摸过热乎的糖粥、没被猫踩过键盘的书呆子。它能把所有见过的元素拼得像模像样，但真要碰到你生活里独一份的、没在网上出现过的小细节，它的脑补就容易飘到天上去。你要是真把所有事都丢给它办，迟早得被它一本正经的胡说八道坑到。
我朋友上次拿它做装修效果图，把家里的户型图拖进去说要做原木风，结果它给出来的图里，阳台直接连到了小区的游泳池——合着它根本没仔细看户型图上标着的“阳台下方是楼下的雨棚”，光把它见过的所有好看的原木风元素拼上去了。
我们真正该期待的，根本不是“AI替你做事”
我之前总觉得，科技产品就得是越来越聪明，能把人从所有麻烦事里拽出来。但这次补完老照片的时候我突然反应过来，多模态大模型最戳人的地方，根本不是它能帮你写PPT、做表格、算数据这些事。是它能接住你那些没头没尾的、根本说不清楚的细碎情绪。
你想想，之前你想跟别人分享一张老照片，你得费劲组织半天语言——“这是我外婆，1998年，在巷口，那时候我总偷拿她的糖吃”。听的人得花好半天才能跟上你的情绪点。但现在你不用了。你直接把照片丢进去，顺着你想说的话碎碎念就行，哪怕你说的话东一句西一句，一会说糖的味道，一会说当时巷口的梧桐树掉叶子，它也能接住。
这才是真的方便啊。
上周我表妹刚上小学的儿子，拿着画的外星人手绘，对着AI说了十分钟，说外星人的飞船是用冰淇淋做的，会飞的时候掉巧克力碎，AI真的顺着他的话，把那幅歪歪扭扭的手绘变成了动态的小短片，小孩趴在屏幕前跳了半小时。你说这玩意能帮他考一百分吗？根本不能。但他能把自己脑子里那些飘着的、说不清楚的小想法，实实在在落下来。这比啥都强。
我从来不信什么“技术改变一切”的空话，技术能接住你那点没处放的小情绪，就已经够厉害了。
我现在也不盼着这东西哪天能变成无所不能的神。就盼着它下次再补照片的时候，别把我外婆的糖粥车补成奶茶店就行。哦对，上次它补完的照片里，糖粥车的推手上居然挂了个现在常见的帆布钥匙扣，我到现在还没给它指出来。
作者|科技
排版|科技
审核|安然