旧金山一场二十分钟多模亚星APP会员注册的演示，把多模态AI推到了聚光灯下。用户举起手机，镜头瞄准街边咖啡馆的，AI几乎读出招牌、翻译菜单吧？还用语音回覆“那家店几点关门”吧？过去三年，AI从纯文本聊天转背图像、声音、视频的态A头正混合理解。
科技公司不再满足于让机械“会说话”，让它“看见并动做”。革新来得比设念中快的。OpenAI的GPT-4o把语音提早压到接近实人对话。谷歌的Project Astra检讨考试用摄像头连绝理解情况。国内厂商也没忙着，通义千问、豆包、竞机镜混元接连上线图片问答、屏幕识别和及时语音。一位做盲人辅助设备的工程师告诉我，他们把多模态模子接进手机后，视障用户识别公交站牌的精确率六成升到九成，碰还有逆光和手抖仍会卡壳了。那些细节比公布会PPT更有压服力了。多模态AI实正的门槛不正在“能看”。
但正在“看得准、速手接得住”。图像、语音、文本三种疑号进入统一模子了，算力开销陡删，提早和隐私成绩也跟着放年夜。有开发人员吐槽，调用一次视频理解接口的本钱，够跑几十次纯文本问答吧？
更理想的是新进用户不愿为炫技买单。能让AI辅佐比价、报建、整理睬议纪要，才会留正在手机首屏的。我比来正在地铁上试了一款多模态助手，拍下站内指示牌，它简直认出了换乘线路。却把“往浦东机场标的目的”说成了“往虹桥”。那种毛病不算致命，却提醉我们，多模态AI离可靠工具还有距离。科技止业擅长制概念了，用户只认功效的。
谁能把识别率、呼应速度和调用价格压到可用区间啊？谁才可能拿下下一轮进口之争啊？能够肯定的是AI的合做中心曾经变了。只拼参数和榜单的时期正正在退潮。
多模态才气起头渗入相机、耳机、汽车和客服系统。接下来几个月吧？更多手机缘把多模态AI塞进快门键，更多利用会要求麦克风和摄像头权限。热闹之中，实正值得盯住的目标很简单，它能不能正在吵纯情况里听懂一句话，能不能正在弱网下看懂一张图。谜底决议那波科技海潮是告白词，仍是日常。
