藍鯨新聞6月8日訊（記者 朱俊熹）回顧生成式AI的演進歷程，除大語言模型的爆發外，還有一條并行推進的技術路線：多模態大模型。過去一兩年間，多模態路線上先后出現OpenAI的視頻生成模型Sora、4o圖像生成功能等重要里程碑。但在6月6日至7日的2025北京智源大會上，業界人士的主流觀點是：屬于多模態的“ChatGPT時刻”尚未到來。

智源研究院院長王仲遠表示，當前的多模態模型大多是對靜態畫面的理解，描述的是存在的事實。但人類對多模態的理解并不是基于單幀圖像的描述，而是可以從一個畫面預測下一個可能的畫面?！爱斘沂纸咏畷r，可以預測我要拿水；如果不小心把它碰倒在地板上時，會預測水灑下去。如果沒有蓋子，地板會被水灑濕。”

在AI視頻創企Sand.ai創始人兼CEO曹越看來，要想精準地預測并生成未來的視頻內容，關鍵在于對過去視頻內容的充分理解。為此，Sand.ai將主要探索方向押注在自回歸這一技術路徑上。當下的多模態生成領域中，DiT架構，即基于Transformer架構的擴散模型是主流選擇。如果說DiT是逐步去噪來還原圖像或視頻，自回歸則是按順序逐幀、逐塊地生成圖像或視頻。

曹越指出，沿著DiT架構方向會發現，隨著模型大小提升，將快速達到瓶頸，需要找到可擴展的解決方案。如果將自回歸的思路引入視頻生成方向，可能會有顯著不同的體驗。其訓練方式本質就是基于之前一段視頻，來生成未來的一段視頻。因此生成視頻時長可從現在的5秒提升至幾分鐘，存在較大的技術提升空間。

今年4月，OpenAI研究科學家姚順雨的一篇長帖曾引發熱議。他表示，AI已進入下半場，重心將從解決問題轉向定義問題。在智源大會分論壇上，AI視覺領域的明星創企Luma AI首席科學家宋佳銘直言，“上下半場”的劃分更像是在描述語言模型。如果上半場是預訓練，下半場是推理，目前多模態模型還未能很好地解決上半場的問題。

宋佳銘解釋稱，對于上半場的期望是，多模態模型能夠通過一個大一統的模型，像人一樣處理不同模態的任務，并且保持足夠快的推理速度。這個模型應當具備多模態思維鏈，否則在下半場無法真正打通推理能力。

如果從多模態模型的應用落地角度來看，騰訊混元多模態生成負責人蘆清林認為，上下半場的分界線并不清晰?！耙驗槲宸值哪Ｐ蛯宸值挠梅?，八分的模型對應八分的用法?！彼硎?。一個判定信號是，專業領域的人是否開始使用這項技術。即便技術研發人員認為模型還存在很多可改進的地方，如果專業人員已經開始采用，并且覺得能在實際工作中帶來提效或幫助，那么它已經達到了能帶來實際改變的階段。

字節跳動Seed圖像&視頻生成負責人黃偉林則分享了判斷技術商業化程度的三個數據指標。一是效率數據，如用戶在使用AI生圖時，生成多少張圖片會下載一張。二是APP上的用戶留存數據。三是收入數據，他指出頭部AI視頻產品ARR（年度經常性收入）年底有望達到1億美元或更多，明年將可能實現5到10倍的增長。

在技術和商業的結合層面，Sand.ai聯合創始人張拯強調，應當追求有效的Scaling Law。即在擴展模型規模、提升性能時，由此帶來的用戶價值和經濟回報是否足以覆蓋所投入的資源成本。如果模型能力提升的代價過高，用戶得不到對應的回報，那么從商業角度來看，這樣的Scaling就是無效的。