在我们的现代社会，人工智能技术已经崭露头角，为我们的生活带来了巨大的变革。然而，最近OpenAI发布的9.25版本博客中提到的多模态AI技术，似乎正在将这场革命推向了一个全新的高度。本文将探讨这一新技术的背后含义，以及它对人工智能应用的潜在影响。
从纯粹的智能到多模态：应用的提升
多模态AI相对于纯粹的智能AI而言，代表着应用可能性的提升。想象一下，以前的大型AI模型好比一个封闭的大脑，而多模态AI则是将这个大脑与现实世界相连接的触角。
从技术上来说，多模态AI并不仅仅是在智能这一个维度上的提升，而是要在多种算法和技术综合运用上取得突破。然而，这种综合一直以来都是一项具有挑战性的任务，正如OpenAI在博客中提到的，语音识别的通用度并不理想，这也暗示着语音识别领域仍需要更多的发展。这可能表明，语音识别领域还没有像大型AI模型那样的统一、通用的大模型，希望OpenAI能够在这一领域取得进展。
值得一提的是，多模态AI的发展路径与许多人所期望的GPT-5的道路并不完全重叠。GPT-5可能更多地致力于使大型AI模型变得更加强大，而多模态综合则旨在更好地发挥现有大脑的智力。如果OpenAI选择多模态的方向，这意味着他们正在将应用性放在了更为重要的位置，这与人类大脑产生智能的情况更为相近。人类大脑皮层具有相似的结构，但因为不同的感知反馈和处理任务而分成了不同的功能区，如听觉、视觉和味觉。
如果OpenAI能够在多模态领域取得成功，将为整个行业带来巨大的刺激，为自己打下坚实的巨头基础。
多模态AI的应用拓展
从应用的角度来看，多模态AI的发展意味着应用范围将会拓宽。这一技术的最直接应用领域之一是物理空间。纯粹的智能AI主要局限在数字空间，而多模态AI则打通了数字世界和物理世界的连接。这种能力将激发出多种多模态应用。
一个典型的多模态应用就是类似于Pokemon Go的游戏，它处于数字世界和物理世界之间的增强现实场景，而没有多模态技术，这类应用将难以实现。
过去，开发这种应用的成本非常高昂，算法的综合就像是一道天堑，只有少数公司才能够实现，而成功的公司更是凤毛麟角。然而，多模态AI的综合可能会降低这个壁垒，使这类应用更容易产品化，从而迎来广泛的普及。
然而，多模态AI的发展不仅仅影响着增强现实应用领域，它对整个AI产品化进程也有深远的影响。让我们从整体角度来看待这一影响。
AI产品化进程的未来
过去的十年，人工智能领域的创业公司出现了许多失败，但这些失败也使我们更容易看清未来的现实。我们已经走过了所有的坑，现在更容易看到和经营未来。
在AI产品化进程的角度来看，可以将其划分为不同的阶段。这些阶段包括纯粹数字空间、数字和物理空间融合、硬件产品、机电类产品等，同时还包括单一维度的通用智能和多模态的通用智能。这些阶段中，每一个都有其特定的产品分布和特征。
如果我们再加上一个维度，每一类中再细分为需要解决幻觉问题的和幻觉无碍的两类产品，那么我们可以得到一个产品落地的次序图。
让我们以一个类比来说明这个概念。假设我们考虑不同类型的对话系统：客服是软应用，智能音箱是硬应用，而招待机器人则是机械应用。这些产品看似相似，但每增加一层复杂性都会导致游戏规则发生巨大变化。
软应用的输入相对容易标准化，但硬应用的处理会更加复杂。例如，在语音识别领域，我们用近场和远场来描述不同的情况。这两者之间的差异导致了产品复杂
性的巨大差异。同样地，硬件产品和机电类产品也具有各自的稳定性和挑战。
通过分层和分割不同类型的应用，我们可以得到系统型超级应用的概念。这些应用需要充分利用大模型的特征，并且可能需要处理各种感知反馈问题。这将是一个系统工程，涉及多个层次和接口的管理。
多模态AI的挑战
多模态AI的发展带来了新的挑战。虽然多模态大模型是统一的，但应用是分散的。这就意味着，多模态大模型的通用能力需要一种通用的感知抽象和管理。感知抽象是一个关键的环节，因为它需要处理来自各种传感器的结构化数据，并将其转化为可用于多模态应用的信息。
此外，多模态应用需要充分利用大模型的特征，这意味着接口的形式会发生巨大变化。传统的API调用可能会变成自然语言交互（NLI），这将对应用的开发和管理带来新的挑战。NLI的灵活性可能导致需要更多的解决方案来应对不确定的情况。
小结
人工智能技术的发展正在带来前所未有的变革，多模态AI技术标志着这一领域的进一步突破。这种技术将不仅仅影响增强现实应用领域，还将改变整个AI产品化的进程。多模态AI的发展将使我们进入一个全新的时代，挑战和机遇并存，但无疑将推动人工智能技术走向新的高度。
微信扫一扫 
