7月26日，在上海举行的2025年世界人工智能大会开幕式上，中国气象局发布全民早期预警中国方案“妈祖（MAZU）”，四个字母分别代表多灾种（Multi-hazard）、预警（Alert）、零差距（Zero-gap）和普惠（Universal）。为携手缩小早期预警能力差距、共同应对全球气候挑战，中国气
2025-07-26 16:10:00 0
大模型的2025：跃过技术沉淀期
2025-06-09 00:09:00
以ChatGPT为代表的语言类大模型重塑内容生成方式时，多模态模型还在等待它的“iPhone时刻”。近日召开的2025智源大会上，智源研究院（以下简称“智源”）正式发布了包括原生多模态世界模型Emu3等“悟界”大模型系列，Emu3实现了文本、图像、视频的任何组合理解与生成，通过单一模型就可以捕捉世界的规律。
AI发展之快，每年都有新话题，2024年，价格战是大模型的关键词，2025感到风向变了，大模型应用百花齐放，反而有种大模型发展“变慢了”的体感。事实上，市场上新旧产品同台竞技，呈现出立体、多维度的思考，多模态大模型更是如此。按照当前技术成熟度评估，视频生成等核心能力仍处于GPT-2到GPT-3的过渡阶段，与产业预期存在显著差距。多模态模型将经历更长的技术沉淀期，这也意味着更大的想象力空间。
技术路线未收敛
大模型爆发至今，很多时候无外乎是选对了方向，又懂得流量密码，一个现象级产品就横空出世了。事实上，这种选择需要前期足够多的思考、实践和勇气。
严格来说，Emu3是智源2024年10月发布的多模态模型，目前智源已在训练下一个版本。基于Emu3，智源还官宣了全球首个脑科学多模态通用基础模型见微Brainμ。
“当前多模态大模型的学习路径，尤其是多模态理解模型，通常是先将语言模型训练到很强的程度，再学习其他模态信息。”智源研究院院长王仲远向北京商报记者解释，“这就如同先达到博士学位水平，再去接触其他知识，在这个过程中，模型的能力可能会出现下降，从博士水平降到大学甚至高中水平。”
显然人类的学习路线不是这样的，从出生就开始听声音、跟物品和图像交互，反而文字是在幼儿园或小学才开始接触的。
Emu3所谓的原生多模态大模型的原生正是如此，“是指在模型训练初始阶段，就将文字、图像、声音乃至脑信号等各种模态数据都纳入其中进行训练。随着模态种类不断增加，如何从繁杂的模态数据中筛选出最有效的信息，成为亟待突破的技术难题”，据王仲远介绍，这与企业选择的技术路线存在差异。
“技术方案不够收敛”也是Sand.ai创始人兼CEO曹越提到的多模态模型发展的第一个挑战。
视频生成还有提升空间
以曹越在微软研究院、智源研究院及创立Sand.ai的经历，他认为过去有两个技术进展最令人印象深刻，“一个是ChatGPT，或者说预训练的规模化，另一个是GPT-O2和DeepSeek R2这种类型的技术，本质上是Test-time scaling（测试时缩放）”。
在他所在的视频生成领域，“Sora的出现，让大家意识到视频生成的质量可以这么高，但从技术方向看，DiT训练方案有很大问题，核心问题就是不够可拓展”，曹越以大语言模型举例对比，“有点像2018年的BERT。当时核心痛点是，当训到10B大小时，要再更大时就不会有进步了。BERT一开始有很好的生成效果，但是ChatGPT后来者居上，因为ChatGPT可以训1000B。这意味着在技术方案方面还有很大的技术空间，生成效果上也有很大的提升空间”。
智象未来创始人兼CEO梅涛更加直接，“目前视频生成处于GPT-2到GPT-3的阶段”。
梅涛把视频生成问题总结为三点，叙事性、稳定性、可控性。“要保证视频做5分钟和1小时是完整的故事，IP要有一致性。稳定性现在做得还可以”，谈到可控性，他拿自己在北京电影学院上过的一门课“镜头的语言”举例，“导演的要求非常高，第几秒出现什么镜头、人物出现什么表情要求非常高，今天的大模型还没有做到这一点，我们还在等待ChatGPT时刻的到来”。
商业化要兼顾两件事
其实，不管是大语言模型还是多模态模型，数据的存量和增量、成本等一系列问题，都会限制发展，但在智谱AI CEO张鹏看来，这都是表面现象，“还有一个最瓶颈、最麻烦的地方就是商业应用”。
他进一步说，“传统的CV（计算机视觉）模型的落地应用比较成熟，大模型在视觉理解能力得到提升，或者泛化能力更强以后，可以迅速替代和填补原来传统的视觉模型应用领域的空白需求，无非就是成本收益比的问题。只要有市场有需求，基础研发人员就可以把成本压下来，形成规模化应用以后，达到商业化应用的临界点”。
对于视频生成来说，张鹏认为，“基于视觉生成，这两个事情还没有完全统一起来。这使得我们要同时兼顾两件事。目前这两件事在技术角度上，没有太好的办法融合到一起，带来的根本约束更大”。
梅涛创立的智象未来关注怎样将多模态模型进行应用，帮助客户和用户发挥创造力，提升生产力。从2023年到2025年，他对多模态模型应用每年都有新观察。
“2023年模型就是产品，我们做的是模型的服务，也就是PaaS（平台即服务），到了2024年可以卖工具，工具就是SaaS（软件即服务），我们希望做每个人都能使用的工具，后来发现工具的使用门槛比较高，特别是做影视级专业内容的需求。2025年我们再往上升级，客户不用关心我们是怎么做的，我们希望直接把结果交给用户，帮用户做增长、跟用户分佣。”梅涛说。
根据中研普华产业研究院的数据，2024年全球多模态AI市场规模达到24亿美元，年均复合增长率超过28%。预计到2025年，全球多模态大模型市场规模将达到1280亿美元，2023—2025年复合增长率高达62.3%。虽有诸多挑战，多模态大模型的未来仍是一片星辰大海。
北京商报记者 魏蔚
相关推荐
- 详细阅读
-
武汉2025年第14次土地拍卖活动落锤，江城地产圈再添“新玩家”！详细阅读
7月22日，武汉2025年第14次土地拍卖活动落锤，民企河南通派借武昌友谊大道063地块完成“武汉首秀”，江城地产圈再添“新玩家”。中指研究院（华中）数据显示，2025年上半年武汉涉宅用地成交28宗，成交金额达114.07亿元，平均溢价率跃升至7.03%，远超2024年同期的0.73%，同比增长近1
2025-07-25 08:21:00 0
-
峨眉山野猴追人致其摔倒？景区回应详细阅读
近日，一则峨眉山猴子追人导致游客摔倒的视频引发关注。视频中，3只野猴追赶4名男性游客，慌乱中2人顺山路摔倒。该视频引发网友对景区安全管理及猴群治理的讨论，部分网友建议游客加强防范意识，避免携带食物或主动靠近猴群。7月21日，视频拍摄发布者王先生介绍，（拍摄）当时是下午5点半左右，猴群回山时间。游客在
2025-07-23 14:23:00 0
-
踩中AI服务器风口 PCB业绩爆发详细阅读
21世纪经济报道记者 石恩泽 印制电路板（PCB）行业正成为电子产业景气度的灵敏晴雨表。据WIND数据统计，截至7月21日，已有生益电子、光华科技等10家PCB龙头企业密集披露2025年上半年业绩预告，行业迎来全面爆发。其中，生益电子上半年净利同比预增432%~471%，创历史新高；光华科技上半年
2025-07-21 21:29:00 0
-
“对中国创新能力充满信心” 黄仁勋谈中国市场独一无二详细阅读
2025年7月16日，由中国贸促会主办的第三届中国国际供应链促进博览会在北京中国国际展览中心顺义馆如约启幕，75个国家和地区的651家企业和机构齐聚一堂。首次参会的美国英伟达公司创始人兼首席执行官黄仁勋，在开幕式上发表了演讲。链博会开幕式上，黄仁勋没有穿他那件标志性的皮衣，而是身着唐装，并用中文开场
2025-07-21 07:54:00 0