本文介绍了多模态AI的概念，它让AI能直接处理视觉、声音等多种模态信息，而不仅仅是文字。文章概述了多模态AI的发展历程，从传统的单模态模型到通用单模态、再到多模态大模型（MLLM）。多模态AI的价值在于能更接近人类处理信息的方式，对AGI的实现具有重要意义。文章还详细介绍了多模态AI的三个步骤：编码、处理和解码，并以StableDiffusion和DreamLLM为例进行说明。最后，文章探讨了多模态AI面临的挑战，如scaling law和生成路径等问题。

什么是多模态？

如果把LLM比做关在笼子里的AI，那么它和世界交互的方式就是通过“递文字纸条”。文字是人类对世界的表示，存在着信息提炼、损失、冗余、甚至错误（曾经的地心说）。而多模态就像是让AI绕开了人类的中间表示，直接接触世界，从最原始的视觉、声音、空间等开始理解这个世界，改变世界。

好像并没有对多模态的严谨定义。通常见到的多模态是联合建模Language、Vision、Audio。而很多时候拓展到3d, radar, point cloud, structure (e.g. layout, markup language)。

模型经历了从传统单模态模型，到通用单模态，再到通用多模态的一个大致的发展，大致如下图：

• NN Building Blocks: 相对通用的NN模型组件。
• Traditional Single Modality Models: 传统的垂类小模型，通常小于100M~1B参数，只在某个垂直场景上有效。虽然不通用，但是具有一些独特优势：显著的性能和成本优势，常常能够在移动端设备部署，离线可用。在很多场景和大模型组合使用，依然扮演重要角色。
• General Single Modality Models: 单模态大模型，通常大于100M～1B参数。具有较强的通用性，比如对图片中任意物体进行分割，或者生成任意内容的图片或声音。极大降低了场景的定制成本。
• MLLM：多模态大模型。以LLM为核心（>1B参数），端到端的具备多种模态输入，多种模态输出的大模型。某种程度上看见了AGI的曙光。
• MLLM Application: 灵活的结合LLM、MLLM、General/Traditional Single Modality Models等能力形成新的产品形态。

多模态的价值？

文字发展了数千年，似乎已经能精确的表达任意事物，仅凭文字就可以产生智能。数学物理公式、代码等更是从某种程度上远远超越了世界的表象，体现了人类智慧的伟大。

然而，人的一切依然依托于物理世界，包括人本身的物理属性。人们能毫不费力的处理十个小时的视觉信号（比如刷视频、看风景），十年如一日，但是一般人无法长时间的进行文字阅读理解。美丽的风景、优美的旋律能轻易的让大部分感受到愉悦，而复杂的文字或代码则需要更大的精力。

其他的各种人类社会的生产、消费、沟通等都离不开对世界自然信号的直接处理。难以想象这一切如果都需要通过中间的文字转化，才能被接受和反馈。（想象司机通过阅读文字，决定方向和油门）

AGI需要对自然信号的直接处理与反馈。

多模态技术

当前多模态大模型通常都会经过三个步骤：

• 编码：类比人的眼睛和耳朵，自然信号先要通过特定的器官转换成大脑可以处理的信号。

• 把每一个image切成多个patch，然后通过vit, siglip等vision encoder编码成一串vision embedding。考虑到视觉信号的冗余，可以再通过resampler, qformer等结构进行压缩，减少输入。
• 或者也可能是通过VAE编码成一个(h, w, c）shape的latent feature。或者是通过VQ编码成类似上文中language“词”的序号（integer），然后通过embedding table lookup转化成embedding。
• 对于language而言，通常就是文字的向量化。比如用bpe或者sentencepiece等算法把长序列的文字切成有限个数的“词”，从词表（vocabulary)中找到对应的序号，然后再通过embedding table lookup，把这些“词”转化成模型能理解的embedding。
• vision有一些不同的处理方式，比如：
• audio也需要进行编码，将传统的waveform通过fft处理成mel-spectrum。也有EnCodec或SoundStream等neural encoder可以把audio编码成一系列的token。

• 处理（思考）：完成编码的信号就如同人们大脑接收到的视觉、声音、文字信号。可以通过“思考“的过程后，给出反馈。

• 基于diffusion的处理过程是近几年新出现的一类有趣的方法。在vision, audio生成中有卓越的表现。
• 基于llm的处理过程似乎更值得期待。llm本身已经具备相当的智能程度，提供了很高的天花板。如果llm能够很好的综合处理多模态信号，或许能接近AGI的目标。

• 解码：编码的反向过程，把模型内部的表示转化成物理世界的自然信号。就类似人们通过嘴巴说话，或者手绘画。

以下面两个多模态模型为例子：

StableDiffusion:

• 编码：image通过VAE encoder变成latent z。
• 处理：核心的处理过程在Unet中，通过多步denoise，对z进行去噪。
• 解码：z最终通过VAE decoder解码成image。

stable diffusion

DreamLLM:

• 编码：text通过word embedding，而图片通过visual encoder。
• 处理：casual llm对编码后的的语言和文字信号进行联合处理，预测需要生成的语言和文字信号。
• 解码：将预测结果还原成text和image。

DreamLLM

类似的架构还在语音生成的模型结构中出现，比如VALL-E，有对应的semantic, acoustic编码和解码，以及diffusion or llm的处理过程。

多模态的难题

目前我还有些多模态相关的问题没太想明白。

多模态scaling law

目前Meta, Google有放出一些多模态的实验，比如PALI对于ViT的scaling。但是还缺少一些理论性的支持和疑点。

• ViT在多模态理解中扮演了什么角色，需要如此大的参数规模？这部份参数是否可以转移到LLM上？
• 数据scale时，如何分配图片和文字的比例是比较好的实践？

如果做个思想实验：

• 一个网页上有500个字，需要800个token表示。
• 一个screenshot截图了这个网页，用vision encoder编码后得到400个token。

如果使用LLM分别处理两种输入，能够完成同样的任务。那么似乎就不需要用text作为LLM的输入了。

• 对于text, vision, audio信号编码的最佳实践是什么？每类信号需要使用多少的参数量才能无损的压缩原始信号？

从简单主义出发，scaling is all you need。

但是no profit, no scaling。所以还是得回到上面那个问题。

多模态生成的路径

Diffusion在生成上取得了不俗的效果，比如绘画。LLM同样可以完成视觉和音频的生成。

• 最终是LLM replace Diffusion, 还是Diffusion as decoder for LLM，还是通过别的方式？
• Diffusion的multi-step denoise是否可以通过llm的multi-layer transformer + iterative sampling来隐式模拟？
• 或许diffusion就像是convolution，是人们发明的inductive bias，最终会被general learnable method取代。

LLM end2end many2many是否是个伪需求？

• 是否有一种无损（或者近似）的信息传递方式，让多个LLM互相协作？

  如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？