2026-10-07 00:31:54
作者：
科技
上周路过设计师朋友的工作室，推门进去撞见他对着一张皱巴巴的手绘草稿发呆。不是改不出来方案，是刚跟AI说完要求，等输出呢。不到一分钟，三张不同风格的奶茶店门头图蹦出来，暖色调，加了桂花枝，连黄昏光影的感觉都对上了。放在五年前，这流程得手绘扫描→描线→找素材→调色彩，最少大半天。现在呢？一杯咖啡还没喝完，方案就能发给客户选。这就是多模态大模型最实在的改变，不是论文里的黑科技，是真的已经跑到你我身边干活了。
你早就用过它，只是没叫出这个名字
很多人一听到“多模态”四个字就犯晕，觉得是刚出来的高科技，跟自己没关系。其实你刷短视频的时候，平台自动给你配上的字幕，就是多模态的小应用呀。它得先听懂语音，再转成文字，还要对应上画面的时间轴，这就是把语音和文字两种模态结合起来了。你发一张路边拍的花给AI，问它这是什么品种，AI能说出来，这也是多模态。
原来的AI大多是偏科生。只会聊天的大模型，看不懂你发的图。只会修图的AI，听不懂你说的自然语言要求。要干个跨领域的活，你得倒好几个软件，导来导去折腾半天。
多模态大模型不一样，它从训练开始，就把文字、图片、音频、视频这些不同类型的信息混在一起学了。它能同时看懂你发的图，听懂你说的话，还能给你输出文字、图片甚至视频。说白了，原来AI是只能接一种货的加工厂，现在它能同时收不同原材料，还能出不同的成品。对吧？
单模态AI与多模态AI信息处理对比示意图
别被营销吹晕了，它现在还挺笨的
现在打开科技圈的内容，十篇有八篇说多模态大模型无所不能，好像明天就能取代所有人干活了。说实话，我玩过不下五款主流的多模态产品，它的笨，真的随处可见。
上个月我拿一道带几何图的初中数学题试手，题目里画的辅助线是虚线，它愣是把虚线当成了题目给的边长，算出来的结果错得离谱。你拿一张蹲在草地上的猫的照片，让它数清楚猫露出来的胡须有几根，十个有九个算不对。甚至你给它一张写了字的便签纸，字写得稍微潦草一点，它都能认错好几个。
很多人会觉得，AI不是看图吗？怎么连这个都错。它可不是真的像人一样“看见”了图哦。它是把整张图拆成了一堆像素信息，再跟自己训练过的文字知识拼在一起，拼对了就对，拼错了直接露馅。遇到空间关系复杂，或者细节多的内容，它就抓瞎。
我还试过拿一段两个人的合唱录音，让它把两个人的歌词分开整理，结果它把两个人的句子混得一塌糊涂，根本没法看。不过话说回来，这也正常，本来它就是个新生玩意，哪能一下子就完美。
多模态大模型识别几何题错误案例
真正的改变，从来不是AI变完美，是我们的干活方式变了
真正的改变，从来不是AI变完美，是我们的干活方式变了
虽然有一堆缺点，但它带来的变化已经实实在在了。我那个设计师朋友，原来每天一半的时间都在改客户的初稿需求，客户说”我要暖一点””我要活泼一点”，他得改完发过去不对再改，现在客户说要啥，他直接让AI出三五版初稿，客户选完他再细调，一天能多接两个活，剩下的时间还能去喝个茶。
做新媒体的朋友跟我说，现在找素材剪视频，原来得对着几个小时的原录像一点点拖进度条找高光，现在把原素材丢给多模态，说清楚要剪一个30秒的朋友圈版，要突出抽奖的高光片段，配轻快的BGM，字幕要大一点，十几分钟就出初稿，他只要微调就行。节省出来的时间，全部用来想内容创意了。
很多人说那设计师剪辑师会不会失业？我倒觉得不会。原来Photoshop出来的时候，一堆人说画家设计师要失业，现在呢？手绘的设计师照样吃香，PS只是把原来抠图填色的重复活干了，让人把时间花在更值钱的创意上。
多模态也是一样的。它解决的是”从无到有出初稿”的重复劳动，真正拍板的创意，贴合用户需求的调整，还是得人来。
现在还有一堆公司蹭概念，把原来几个单模态模型拼在一起，就敢叫自己多模态大模型割韭菜，你用的时候一塌糊涂，就觉得都是骗人的。其实真的多模态，和拼出来的假货区别很大，真的能读懂你话里和图里结合的要求，假货就只会各干各的，拼出来的结果驴唇不对马嘴。别交这个智商税就行。
你不用抱着一本厚书去啃多模态的原理，也不用记那些动辄几千亿的参数，对你我来说，找个正经的产品试一次就懂了。对着你随手画的草稿，说一句你想要的效果，等几十秒，你就会发现。这一次，AI真的不再是那个只会陪你聊天的工具了。它真的能帮你干活了。
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：多模态大模型：它不是只会聊天的新玩具
文章链接：https://m.lfdjt.com/p/keji/a/7251.html