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
2025-06-09 00:09:00 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
-
破局！中天淮安携手汇川技术启动新型工业网络及智能控制系统建设项目详细阅读
当钢帘线产业面临双碳转型、全球化竞争与柔性制造三重压力，一场由5G-A+虚拟控制器规模化应用引发的智控革命正在淮安落地——近日，中天淮安公司新型工业网络及智能控制系统建设项目正式启动。汇川技术联合创始人周斌总致辞提到：“这不仅是钢帘线行业的创新探索，更是寻找新型工业化浪潮下新质生产力的革新之路。”项
2025-06-03 15:04:00 0
-
斐萃携手顶级科研机构，开启女性口服抗衰科学时代详细阅读
5月27日，头部口服抗衰品牌FineNutri斐萃与暨南大学衰老与再生医学研究院达成战略合作。双方将发挥彼此优势成立“抗衰老研究中心”，深化对衰老机制、再生医学以及抗衰策略的研究，推进行业顶尖抗衰成果的产业化应用。暨南大学衰老与再生医学研究院院长鞠振宇教授在揭牌仪式上表示：“我们必须要从市场端去感知
2025-05-30 12:59:00 0
-
高中女生被造黄谣，法院判平台赔8000元详细阅读
高中女生被同学造黄谣，造谣者因真诚悔过未被追责，而前期未主动拦截、收到投诉后又未及时下架侵权内容的网络平台被法院判处赔偿精神损害抚慰金8000元。这一判决并非“有违常理”，而是基于法律对未成年人权益的特殊保护——根据未成年人保护法及相关司法解释，平台对涉及性谣言、隐私泄露等明显侵害未成年人的信息负有
2025-05-26 16:43:00 0
-
周末·普法丨员工手机注册公司短视频账号，离职之还用它引流？法院判了详细阅读
优质短视频制作需要持续投入资源运营，许多个人注册账号的运营与专业公司的团队合作相关，出现了名义注册主体与实际使用主体相分离的情况，后续易引发账号权利归属的争议。邓某原来是一家鲜果公司的商品企划主管，在工作期间，用自己的个人身份信息在短视频平台上实名注册了网络账号。期间，包括邓某在内的员工通过企业微信
2025-05-25 16:43:00 0