2026-10-01 03:49:07
作者：
科技
早上醒过来摸手机，对着屏幕说：“帮我把昨天拍的桂花落了一地的照片调亮，配一句不矫情的秋分文案，直接生成朋友圈图。”三十秒出图。你不用开修图APP调半天亮度，不用搜文案搜十分钟，更不用把图导来导去。
这不是什么黑科技魔术。
是多模态大模型，已经偷偷蹲在你手机里了。
以前的AI都是偏科生
我刚玩AI的时候，吐槽过一件事。要处理一张图，得打开专门的识图APP；要写文案，得切到聊天机器人；要转语音，还得开第三个工具。每个工具都只会干自己那点活，你让识图APP给图写个文案，它直接给你蹦出来“这是一张猫的照片”，就没下文了。
就像偏科的学生，语文考满分，数学连选择题都做不对。
这就是以前的单模态AI，只能处理一种类型的信息——要么只认文字，要么只看图片，要么只听语音，各干各的，互不相通。
早期单模态AI分工场景示意图
那时候要完成一件跨领域的事，全得你自己当那个粘合剂，把不同工具的输出拼到一起，累不累啊。
多模态的“多”，到底是什么意思
说人话，就是这个模型从训练开始，就同时学了好几种不同的“语言”。它不光认得文字里的逻辑，还看得懂图片里的颜色、结构、场景，听得懂语音里的情绪，甚至能把这些东西串起来理解。
你给它发一张我家猫睡在我笔记本键盘上的照片，问它“我为什么没法好好干活”，它不会只告诉你“这是一只猫”，它能看出来猫把按键全压住了，你根本敲不了字，还能给你补一句“建议拿猫条拐走，不要硬刚”。
说实话，第一次试这个的时候我笑了十分钟。
多模态大模型用户交互场景示例
很多人说这不就是把几个模型拼在一起吗？不对。真的多模态大模型，是从训练底层就把文字、图片、音频这些不同类型的信息混在一起学，神经元长在一起，不是外头套个壳拼积木。拼出来的模型，你问它“这个图里的红色配什么颜色好看”，它只会告诉你红色的参数是多少，不会真的结合图里的场景给你出搭配方案。
别被营销话术吹晕了，现在的多模态还没那么神
别被营销话术吹晕了，现在的多模态还没那么神
我刷短视频见过不少吹多模态的，说什么已经能替代设计师替代摄影师，全是扯淡。
现在绝大多数民用多模态产品，还处理不了太复杂的跨模态需求。我前阵子手画了一张我家户型图，歪歪扭扭的，让AI给我出个衣柜设计，它把我留的门洞给堵上了，错得离谱。
还有一次，我让它结合我拍的紫金山秋景图，写一句带南京鸭血粉丝汤的文案，它给我写出来“鸭血粉丝汤顺着山坡流进了树林”，什么鬼啊。
说白了，它能懂常见的场景，能应付普通人的日常需求，但是稍微偏门一点，逻辑绕一点，它就露馅。
不过话说回来，用来对付日常的小需求，真的够用了。你想做个手机壁纸，想给朋友圈图配个文案，想识个图找个同款，这些小事它做得比你快多了。
现在很多手机的相机相册，已经集成了多模态的能力，你搜“去年吃火锅的照片”，不用给照片打标签，它就能给你找出来，因为它能看懂每张图里是什么内容。线上看展的时候，AI讲解员能对着你指的那幅画，给你讲细节，也是多模态在干活。
它不是远在实验室的概念，是你每天都在用到的东西，只是你没注意而已。
我有时候会想，多模态最大的改变是什么？不是AI变得更能了，是我们用AI不用再学怎么跟AI说话了。以前你得抠关键词，得说规范的话，AI才懂，现在你怎么说话就怎么问，带图带语音都扔过去，它就能懂。
这才是真的把科技藏在生活背后了对吧。
昨天我下班路过颐和路，捡了一片黄透的梧桐叶，拍了照给AI，说帮我做个简约的手机壁纸，配一句符合今天心情的话。它给我出的图里，叶子放在灰底色中间，文案是“今天摸鱼，捡了一片秋天”。
挺对我胃口的。
不用吹什么改变世界，这种小小的方便，已经够棒了。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：当AI能看懂图听懂话还会画：你身边的多模态大模型
文章链接：https://m.lfdjt.com/p/keji/a/5155.html