在生成式AI技术的浩瀚星空中，大语言模型的璀璨夺目无疑吸引了最多的目光，但与此同时，另一条同样重要的技术轨迹——多模态大模型的发展，也在悄然推进。近年来，这一领域见证了诸如OpenAI的Sora视频生成模型和4o图像生成功能等关键性突破。
然而，在近日于北京举行的2025智源大会上，多位业界领军人物却表达了这样一个共识：多模态AI的“ChatGPT时刻”，那个令人翘首以盼的飞跃点，尚未真正到来。智源研究院院长王仲远指出，当前的多模态模型大多局限于对静态图像的解读，其能力还仅仅停留在对既定事实的描述上。与之相比，人类对多模态信息的理解要复杂得多，它涉及对动态变化的预测与解读，比如从手接近水杯的动作中预测接下来的取水行为。
针对这一现状，AI视频创新企业Sand.ai的创始人兼CEO曹越提出了他的见解。他认为，要实现对未来视频内容的精准预测与生成，关键在于对已有视频内容的深入理解。为此，Sand.ai正致力于探索自回归技术路径，试图在DiT架构（基于Transformer的扩散模型）之外，寻找新的可能性。曹越解释，DiT模型通过逐步去噪来还原图像或视频，而自回归模型则是按顺序，一帧帧、一块块地生成内容，其训练方式基于已有视频预测未来，有望将生成视频的时长从几秒提升至几分钟。
与此同时，OpenAI研究科学家姚顺雨的观点也引发了业界的广泛讨论。他认为，AI的发展已经进入下半场，重心将从解决问题转向定义问题。然而，AI视觉领域的明星企业Luma AI的首席科学家宋佳铭对此表示，这一“上下半场”的划分似乎更适用于语言模型。在他看来，多模态模型的上半场，应当是构建一个能够像人一样处理不同模态任务，且推理速度足够快的统一模型。这一模型需要拥有多模态思维链，才能在下半场真正打通推理能力。
从应用落地的角度来看，腾讯混元多模态生成负责人芦清林则提出了不同的看法。他认为，所谓的上下半场分界线并不清晰，因为模型的成熟度与应用场景的需求是紧密相连的。当模型达到一定的水平，就会有相应的应用场景出现。他强调，如果专业人员已经开始采用某项技术，并认为它能在实际工作中带来效率提升或帮助，那么这项技术就已经达到了实用阶段。
字节跳动Seed图像&视频生成负责人黄伟林则分享了判断技术商业化程度的三个关键数据指标：效率数据、用户留存数据和收入数据。他指出，头部AI视频产品的年度经常性收入（ARR）有望在年底达到1亿美元或更多，明年更有望实现5到10倍的增长。这些数据无疑为AI技术的商业化前景提供了有力的支撑。
最后，Sand.ai联合创始人张拯强调了技术和商业结合层面的重要性。他认为，在扩展模型规模、提升性能时，必须考虑由此带来的用户价值和经济回报是否足以覆盖所投入的资源成本。如果模型能力的提升代价过高，而用户得不到相应的回报，那么从商业角度来看，这样的扩展就是无效的。
随着技术的不断进步和应用场景的不断拓展，多模态AI的发展无疑将迎来更加广阔的未来。然而，如何在这一过程中找到技术与商业的最佳平衡点，将是所有从业者需要共同面对的挑战。
