AI爆点转移至多模态，体现了什么行业趋势？

界面新闻记者 | 伍洋宇
界面新闻编辑 | 文姝琪

2025年的AI爆点正在发生转移。

自DeepSeek R1上半年引爆行业情绪之后，“纯文本+推理”范式下的模型鲜少再现重量级成果。进入下半年，话题重心明显滑向多模态领域。

Sora 2被封装成可交付应用、谷歌推出图像编辑能力更强悍的Nano Banana；AI Agent这端同样如此，在Manus这样文本属性更突出的通用型产品之后，达到相近级别热度的是主攻视觉创作场景的LoveArt。

在这背后，文本模型的迭代进入一种基线较高、小步抬升的阶段，而多模态理解与生成能力在可用性上，向“破圈”层级又近了一步。

一名从事模型训练的研究人员对界面新闻记者指出，要理解这个现象，首先要认识到文本与多模态两个方向的研究是并行而非串行。

经过GPT-3、GPT-4、OpenAI o1等重大节点之后，大模型的语言理解能力足以交付C端（用户）应用，后续优化集中在稳态工程，例如对齐、降本、延迟优化、鲁棒性等等，这些能够进一步优化C端应用体验和B端（企业）商用价值，但用户感知不再像GPT-4来临时那样有强烈冲击。

一个典型的例子是DeepSeek-OCR。这是一个在话题性上不足以震撼人心的demo，但有其长期影响力。

DeepSeek-OCR在10月20日推出，定位于探索文本的视觉压缩能力（光学上下文压缩，Contexts Optical Compression）。简单而言，随着上下文输入增多，模型计算量以平方级陡增，但通过将长文本转化为图像识别，可以大幅压缩token计算数量。这一思路得到验证的成果是，它一旦落地到应用端，也是一个前景颇为确切的降本增效方式。

多模态这一侧完全不同，其能力曲线仍在还可以被更多人感知的区域内。不过，前述受访者指出，从并行的思路来看，多模态模型这端还未实现架构层级的突破，更多是足够的数据累积和训练技巧提升。

图源：界面新闻

正如他对Sora 2和Nano Banana的判断，除去OpenAI对多模态生成类产品的初步构想成型，以及谷歌对图像编辑器现阶段用户需求的把握（例如锚定一个点进行针对性修改），两款产品在生成质量上并未实现飞跃。

并且，在很大程度上，以“文生图、文生视频”为代表的多模态生成领域，其表现优化是以文本模型性能提升为前提。阶跃星辰创始人兼CEO姜大昕此前在接受界面新闻记者采访时指出，理解与生成之间的关系是，理解控制生成、而生成监督理解。

一级市场也在见证这种关注点切换。一名AI投资人对界面新闻记者表示，他的体感是今年行业整体投资事件增多，但投资规模在降低，这是投资重点由模型层向应用层过渡后，后者的市场规模及估值所决定的。

在这之中，今年最显眼的一笔来自应用层视觉创作领域的LiblibAI。10月23日，LiblibAI宣布完成1.3亿美元B轮融资，红杉中国、CMC资本等参与其中，促成今年国内资本市场AI应用赛道最大的一笔融资。这意味着相较其他赛道，团队的PMF（product-market-fit）更大程度受到资本认可。

在往后很长一段时间，业界能够期待的“爆点”或许都将更多来自于多模态领域。

姜大昕一直强调的观点是，光有语言的智能不够，多模态是大模型的必经之路。而在这片领域，理解与生成的统一仍是现阶段的突破点。

多名受访者曾对界面新闻记者表示，站在模型训练角度，视觉模态比文本模态面临的挑战更大。单从数据上来看，文本的表征可以在语义上自闭环，但视觉信息的表征需要先与文本对齐，不存在天然自闭环的数据，“可能需要几次像ChatGPT、强化学习范式这样的大技术变迁才能解决。”一名受访者说。

而一派观点认为，基于更好的多模态模型，世界模型、具身智能、空间智能等才能得到长足发展，行业才能进一步靠近AGI（通用人工智能）。

更现实的考量是，模型决定应用能力上限，在文本模型集中火力降本增效和缓慢提升性能的同时，多模态模型的突破有望给市场带来更多PMF机会，这将是创业者和投资人眼中更具实际价值的关键变化。