聚焦多模态：ChatGPT时刻未到，2025大模型“变慢”了吗

以ChatGPT为代表的语言类大(dà)模型(móxíng)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(zhèngshì)发布(fābù)了包括(bāokuò)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(guīlǜ)。

AI发展(fāzhǎn)之快，每年都有新话题，2024年，价格战是大模型的关键词(guānjiàncí)，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(tǐgǎn)。

事实上，市场(shìchǎng)上新旧产品同台竞技，呈现出立体、多(duō)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(héxīn)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(jīnglì)更长的技术沉淀期，这也意味着更大的想象力空间(kōngjiān)。

大模型爆发至今，很多时候无外乎是选对(duì)了方向，又懂得流量密码，一个(yígè)现象级产品就横空出世了。事实上，这种选择需要前期(qiánqī)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(fābù)的多(duō)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(tōngyòng)基础模型见微Brainμ。

“当前多模态大模型的学习(xuéxí)路径，尤其是多模态理解模型，通常是先将(jiāng)语言模型训练(xùnliàn)到很强的程度，再(zài)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(xiàjiàng)，从博士水平降到大学甚至高中水平。”

显然(xiǎnrán)人类的学习路线不是这样的，从出生就开始听声音(shēngyīn)、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(móxíng)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(jìnxíng)训练。随着模态种类不断增加(zēngjiā)，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(tūpò)的技术难题(jìshùnántí)”，据王仲远介绍，这与企业选择的技术路线存在差异。

“技术(jìshù)方案不够收敛”也是Sand.ai创始人兼(jiān)CEO曹越提到的多模态模型发展的第一个挑战。

视频生成处在GPT-2-GPT-3阶段(jiēduàn)

以曹越在(zài)微软研究院、智源研究院又创立Sand.ai的经历，他(tā)认为过去有两个技术进展最令人印象深刻，“一个(yígè)是ChatGPT，或者说预(yù)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(shàng)是Test-time scaling（测试时缩放）”。

在他所在的视频生成(shēngchéng)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(yǒu)很大(hěndà)问题，核心(héxīn)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(dāngshí)核心痛点是，当训到10B大小时，要再更(gèng)大时就不会有进步了。BERT一开始有很好(hǎo)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(kōngjiān)，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(mùqián)视频(shìpín)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(tándào)可控性，他拿自己(zìjǐ)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(méiyǒu)做到这一点，我们(wǒmen)还在等待ChatGPT时刻(shíkè)的到来(dàolái)”。

其实，不管是大(dà)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(wèntí)，都会限制发展，但在(zài)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(de)(de)CV（计算机视觉）模型(móxíng)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(chéngběn)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(xíngchéng)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(hái)没有(méiyǒu)完全统一起来。这使得我们要同时兼顾两件事(liǎngjiànshì)。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(guānzhù)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(cóng)2023年到2025年，他(tā)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(zuò)的(de)是模型的服务(fúwù)，也就是PaaS（平台即服务），到了2024年可以卖工具(gōngjù)，工具就是SaaS（软件(ruǎnjiàn)即服务），我们希望做每个人都(dōu)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(pǔhuá)产业研究院(yánjiūyuàn)的数据，2024年全球多模态(mótài)AI市场规模(guīmó)达到24亿美元，年均复合增长率超过(chāoguò)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。