界面新闻记者 | 伍洋宇
界面新闻编辑 | 文姝琪
2025年，人工智能领域的焦点正经历显著转移。自DeepSeek R1上半年引发行业热议后，纯文本推理模型的突破性成果逐渐减少，下半年市场目光明显转向多模态技术。
从技术进展来看，Sora 2已实现可交付应用，谷歌推出的Nano Banana在图像编辑能力上表现强劲；AI Agent领域同样呈现这一趋势，继Manus等文本型产品后，主打视觉创作的LoveArt成为新热点。
技术层面，文本模型迭代已进入高基线、小步提升阶段，而多模态的理解与生成能力正加速突破可用性瓶颈。一名模型训练研究人员向界面新闻指出，文本与多模态研究本质是并行而非串行关系。
经过GPT-3、GPT-4等关键节点，大模型的语言理解能力已能支撑C端应用，后续优化集中在稳态工程，如对齐、降本、延迟优化等。这些改进虽能提升用户体验和商业价值，但用户感知的冲击力已不如GPT-4发布时强烈。
以DeepSeek-OCR为例，这款10月20日推出的技术定位于文本视觉压缩能力（光学上下文压缩）。通过将长文本转化为图像识别，可大幅压缩token计算量。该技术一旦落地应用，将成为明确的降本增效方案。
相比之下，多模态领域的能力曲线仍处于可感知的上升期。不过受访者强调，多模态模型尚未实现架构级突破，主要依赖数据积累和训练技巧提升。
图源：界面新闻
以Sora 2和Nano Banana为例，两款产品虽验证了OpenAI对多模态生成的初步构想，以及谷歌对图像编辑需求的精准把握，但在生成质量上尚未实现质的飞跃。
多模态生成领域（如文生图、文生视频）的表现优化，仍以文本模型性能提升为前提。阶跃星辰创始人姜大昕曾指出，理解控制生成，而生成监督理解，二者形成闭环关系。
一级市场动态印证了这一趋势。一名AI投资人表示，今年行业投资事件增多但规模下降，反映投资重点从模型层向应用层转移。应用层市场规模和估值特点决定了这一变化。
视觉创作领域的LiblibAI成为典型案例。10月23日，该公司完成1.3亿美元B轮融资，红杉中国、CMC资本等参与，创下今年国内AI应用赛道最大融资记录，显示资本对团队产品市场匹配度（PMF）的高度认可。
未来一段时间，AI领域的“爆点”可能更多来自多模态方向。姜大昕多次强调，仅靠语言智能远不够，多模态是大模型的必经之路，而理解与生成的统一仍是当前突破重点。
多名受访者指出，视觉模态比文本模态面临更大挑战。文本数据可在语义上自闭环，但视觉信息需先与文本对齐，不存在天然自闭环数据。“可能需要几次类似ChatGPT、强化学习范式的技术变迁才能解决。”一位受访者表示。
一种观点认为，基于更强大的多模态模型，世界模型、具身智能、空间智能等才能获得长足发展，推动行业向通用人工智能（AGI）迈进。
更现实的考量是，模型能力决定应用上限。在文本模型专注降本增效的同时，多模态模型的突破有望为市场创造更多PMF机会，这将成为创业者和投资人关注的关键变化。
猜你喜欢
