2026-10-02 03:12:18
作者：
科技
上周六下午，我在南京珠江路路口的咖啡馆待了三个小时。
朋友拽着我试了四个不同的工具，全是最近炒得很热的多模态大模型。
咖啡凉了三次。我也算摸出点不一样的感受。
别翻百科了，我给你说人话
原来我们接触的大部分大模型，都是“单通道”的。
你只能给它输文字，它也只能给你出文字。你拍一张猫啃西瓜的照片发过去，它认不出这是什么，更别说接你的话。
多模态大模型不一样。
它就像我们正常人一样，眼睛能看、耳朵能听、脑子能转，你给它什么类型的信息，它都能一起收下读懂。你发一张你家客厅的照片，说“帮我想想这个角落放个什么样的落地灯好看，给我出三张效果图”，它直接给你出结果，不用你再把照片转成一大段文字描述。
说穿了，就是把原来计算机之间隔着的那道“不同格式不能互通”的墙，给拆了。
单模态与多模态大模型输入输出对比示意图
说实话，刚出来的时候我也觉得这就是资本炒的新概念，换个皮割韭菜。
真用了才知道，不一样。
那天朋友要改一个产品宣讲的PPT，原来的PPT里有一张模糊的产品实拍，他给模型发了原图，说“把这张图修清晰，去掉背景的杂物，然后帮我把页面上的三行文字挪到左下角，给我直接导出成可以用的PNG”，前后花了不到一分钟。
放半年前，你得找个设计师，开PS修图，调排版，导出，没半小时搞不定。
这就是变化。
大部分人都踩过的三个误区
第一个误区，很多人说“多模态就是文字加图像拼一起”，不对。
真正的多模态，不是先把图像转成文字，再用文字模型处理，它是把所有信息放在同一个空间里理解。
我试过一款早期的所谓“多模态”工具，我发一张电影海报，问我“这个海报上男主角穿的鞋子，能不能给我找一双同款风格的推荐？”，它先把海报转成一大段文字：“这是XX电影的海报，男主角穿了一双黑色的皮鞋…”，转完再去搜，最后给我推了八百年前的老年皮鞋，完全不对味。
现在真正的多模态，直接读像素，读我文字里的“同款风格”，搜出来的结果能沾上边，差不离。
第二个误区，多模态一定比纯文字大模型强？
扯。
你要是就写一篇几千字的行业分析，纯文字大模型写得比大部分多模态顺多了，逻辑也更顺。多模态为了能读懂不同格式的信息，参数量往那堆，反而容易想多，说着说着就跑题。
适合的场景不一样而已，没有谁一定取代谁。
第三个误区，普通人用不上这高端技术？
你早就用上了。
你刷短视频的时候，AI自动给你识别语音加字幕，你淘宝拍个照片搜同款，你用导航的时候它语音识别你说的话还能看懂你共享的位置，背后跑的都是多模态的逻辑。
只是它藏在产品背后，你没感觉到而已。
普通用户日常使用多模态AI产品场景图
不过话说回来，现在的多模态大模型，还是半成品。
我上周拿了一张我小学毕业照，糊得不行，人脸都磨开了，让它给我修复，把我脸上的眼镜框给修清楚，它倒是把分辨率提上去了，直接把我旁边站的女同学给修没了…留了一块空白背景在那，给我整笑了。
技术还是有漏洞，没到完美的地步。
往后走，哪些地方真的会变
往后走，哪些地方真的会变
我最近跟做硬件的朋友聊天，他说现在线下实体行业，盯着多模态盯得紧。
比如你去买家具，原来你得对着导购描述你家客厅多大，墙是什么颜色，现在你掏出手机拍一张你家客厅，说“我要放一个两米八的沙发，帮我看看什么颜色搭，放进去是什么效果”，多模态直接给你拼好图，你自己看，比导购说一万句都有用。
还有辅助工具这块，真的能改变很多人的生活。
盲人朋友出门，原来只能靠盲杖和听声音，现在拿带多模态的手机对着路口拍一张，问“前面路口的红绿灯是红还是绿，有没有台阶”，几秒钟就能得到准确的回答，不用麻烦别人问来问去。
这些不是概念，已经有产品在测了。
很多人吹说多模态会带来下一次工业革命，我没那么大的判断。
我只知道，原来我们用工具，得迁就工具的规则：要做图用PS，要写文字用Word，要算数据用Excel，你得把你的需求拆成不同工具能懂的格式，一个个弄。
现在多模态把这个规矩打破了，你不用迁就工具，你说你要什么，给它所有你有的信息，它帮你弄。
就像当年功能机变智能机，刚开始大家都只是觉得“哦，能上网了”，谁能想到十年后所有人的衣食住行都绑在上面。
现在这个阶段，像极了2010年的安卓机，所有人都知道它会变，没人说得准最后变成什么样。
那天从咖啡馆出来，我们顺路在丹凤街买了鸭血粉丝汤打包。
朋友说，原来觉得多模态大模型是实验室里飘着的词，跟卖菜的阿姨没关系。
现在想想，再过两年，说不定小区门口卖菜的阿姨，都能拿着它扫一眼你拍的优惠券，算清楚你要的菜多少钱，连计算器都不用按。
没那么玄乎。
就是让工具，更像人一点而已。
对吧？
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：我用多模态大模型改了三版PPT，才懂它到底不是什么
文章链接：https://m.lfdjt.com/p/keji/a/5504.html