【多模态大模型系列·第 06 篇·终篇】未来与挑战世界模型·具身智能·AGI——多模态的终局在哪里系列回顾第 01 篇我们绘制了多模态大模型的全景图第 02 篇我们拆解了视觉编码器·投影层·多模态融合的核心架构第 03 篇我们掌握了预训练·指令微调·RLHF·数据工程的训练方法论第 04 篇我们学会了量化·缓存·服务化的推理与部署第 05 篇我们探索了 VQA·OCR·视频理解·多模态 Agent 的应用全景。本篇是系列的终章进入多模态大模型最前沿也最不确定的领域未来与挑战——多模态的终局在哪里2024 年 OpenAI 发布 SoraAI 第一次模拟了物理世界——玻璃杯掉落会碎、人在水中会湿。但 Sora 也暴露了问题——人走路方向会突然反转、物体穿过桌面。这说明 AI 还不理解物理规律只是在模仿视频模式。世界模型World Model是多模态的下一个前沿——不只是看懂世界还要理解物理规律、“预测未来状态、“模拟因果推理。具身智能Embodied AI是多模态的终极应用——不只是看图做事”还要在物理世界中安全行动”。AGI 是远期目标——多模态是 AGI 的必经之路但不是终点。今天我们从世界模型、具身智能到 AGI 之路彻底展望多模态大模型的未来。 文章目录 一、世界模型从看懂到理解物理 二、具身智能从看图做事到物理行动 三、AGI 之路与系列回顾 一、世界模型从看懂到理解物理1.1 Sora世界模型的雏形2024 年 2 月OpenAI 发布 Sora——一个文本生成视频的模型能根据文字描述生成长达 60 秒的高质量视频。Sora 的震撼之处它不只是拼接视频片段而是模拟了物理世界——玻璃杯掉落会碎、人在水中会湿、镜头移动有透视变化。但 Sora 也暴露了关键问题人走路方向会突然反转不理解运动连续性、物体穿过桌面不理解固体碰撞、手指数量不一致不理解解剖结构。这些错误说明 Sora 并不真正理解物理规律——它只是在海量视频数据上学习到了看起来像的模式而不是为什么是这样的规律。Sora 的启示视频生成能力 ≠ 物理理解能力。能生成看起来对的视频不代表理解背后的物理规律。世界模型需要的不只是模仿还需要理解——理解因果、理解时间、理解空间。1.2 三种世界模型生成式世界模型Sora 式——通过生成视频来模拟世界。核心思想如果模型能生成物理正确的视频说明它隐式理解了物理规律。优势直观、可评估看视频就知道对不对劣势物理理解浅层、不可交互、不可控制。Sora 是这一类的代表。交互式世界模型Genie 式——通过交互来探索世界。核心思想给模型一个初始状态和动作预测下一个状态。用户可以操作世界——如果我把杯子推到桌子边缘会怎样模型预测杯子掉落。优势支持反事实推理“如果……会怎样”、可交互、可控制劣势需要精确的物理引擎或大量交互数据。DeepMind 的 Genie 是这一类的代表——它可以从一张图片生成交互式游戏环境。预测式世界模型JEPA 式——通过预测未来状态来规划世界。核心思想给定当前状态和动作预测下一个状态用于规划和决策。Yann LeCun 提出的 JEPAJoint Embedding Predictive Architecture是这一类的代表——它不生成像素而是在抽象空间中预测未来状态。优势计算高效、适合规划劣势抽象空间难以解释、需要大量状态-动作数据。1.3 世界模型的核心挑战物理理解——当前模型不理解基本物理规律重力物体会下落、碰撞固体不能穿过、流体水会流动、弹性弹簧会回弹。人类婴儿 6 个月就理解物体不能穿过另一个物体但 AI 还不行。因果推理——当前模型只学到了相关性不理解因果性。下雨和地面湿高度相关但模型不理解下雨导致地面湿这个因果关系。没有因果推理模型就无法回答如果不下雨地面会怎样这种反事实问题。长程预测——当前模型只能预测短期未来几秒无法预测长期未来几分钟、几小时。就像下棋——预测下一步容易预测十步后极难。长程预测需要层次化规划和抽象推理。1.4 世界模型的意义世界模型是多模态大模型从感知到理解的关键跳板。当前的多模态模型能看懂图像识别物体、回答问题但不理解物理世界不知道物体会下落、碰撞会反弹。世界模型让 AI 从看懂进化到理解——理解物理规律、理解因果关系、理解时间流逝。世界模型的应用自动驾驶预测其他车辆和行人的行为、机器人预测动作的物理后果、科学模拟预测化学反应、天气变化、游戏生成可交互的虚拟世界。 二、具身智能从看图做事到物理行动2.1 VLA 模型视觉-语言-行动的统一具身智能的核心问题是怎么让 AI 在物理世界中安全、灵活、智能地行动答案是 VLAVision-Language-Action模型——把视觉感知、语言理解和物理行动统一在一个模型中。RT-2Robotic Transformer 2——Google 2023 年发布第一个把 LLM 和机器人控制结合的模型。RT-2 的架构视觉编码器ViT LLMPaLI-X 动作解码器。输入图像 语言指令“拿起那个苹果”输出机器人关节角度序列。RT-2 的突破LLM 的常识推理能力迁移到机器人——即使训练时没见过拿起那个红色水果机器人也能理解红色水果苹果并执行。PaLM-EPaLM-Embodied——Google 2023 年发布最大的具身多模态模型562B 参数。PaLM-E 把 PaLM语言模型和多个传感器编码器视觉、触觉、本体感觉统一在一个 Transformer 中。PaLM-E 的突破跨具身泛化——在一种机器人上训练可以迁移到另一种机器人跨任务泛化——从拿苹果泛化到拿任何指定物体。pi0Physical Intelligence——2024 年发布专注于通用机器人基础模型。pi0 的核心思想用大量不同机器人的数据训练一个通用模型让任何机器人都能从同一个模型中受益。pi0 在 Open X-Embodiment 数据集上训练包含 22 种机器人的 100 万 episodes。2.2 数据挑战机器人数据比文本数据贵 1000 倍具身智能最大的瓶颈是数据。LLM 训练用数万亿 Token 的文本数据成本几乎为零互联网上到处都是。但机器人数据需要物理机器人$10,000-100,000/台、人类操作员$30-100/小时、安全环境实验室/工厂、时间每个 episode 1-10 分钟。一条机器人操作数据的成本约为 $1-10而一条文本数据的成本约为 $0.0001——差了 10000 倍。**Sim2Real仿真到真实**是解决数据瓶颈的关键策略在仿真环境中训练成本几乎为零然后迁移到真实世界。NVIDIA Isaac Sim 可以模拟物理世界——重力、碰撞、摩擦、光照。域随机化Domain Randomization是 Sim2Real 的核心技术在仿真中随机化纹理、光照、物理参数让模型学会忽略不重要的变化关注不变的物理规律。数字孪生是 Sim2Real 的进阶——精确模拟真实环境包括特定的房间布局、家具位置、光照条件。数字孪生让模型在仿真中预演真实任务减少真实世界的试错成本。2.3 安全挑战物理世界不可逆具身智能的安全挑战比纯软件 AI 严峻得多——在软件中错误可以撤销CtrlZ在物理世界中错误不可逆打碎的杯子不能复原、受伤的人不能倒带。安全约束机器人必须遵守物理安全约束——不能碰撞人类、不能施加过大力量、不能在危险区域操作。这些约束需要硬编码不可违反的规则 学习从数据中学到的安全行为。可解释性机器人必须能解释为什么这样做——如果机器人突然停止操作人类需要知道原因是检测到危险还是指令不明确。可解释性在具身智能中比在纯软件 AI 中更重要因为物理世界的后果更严重。人机协作未来的机器人不是独立工作而是与人类协作——机器人递工具、人类操作。人机协作需要意图理解人类想做什么、安全距离保持安全距离、力控施加适当的力。 三、AGI 之路与系列回顾3.1 多模态 → AGI 的路径推演多模态是 AGI 的必经之路但不是终点。从多模态到 AGI 的路径推演第一步文本 LLM已实现——GPT-4/Claude/Gemini 已经展示了强大的语言推理能力。但纯文本 LLM 是盲人学者——能说不能看能想不能做。第二步多模态 LLM进行中——GPT-4V/Gemini/LLaVA 让 AI 能看。但当前的多模态 LLM 还停留在看懂层面——能识别物体、回答问题但不理解物理规律、不能在物理世界行动。第三步世界模型探索中——让 AI 从看懂进化到理解——理解物理规律、因果关系、时间流逝。Sora 是雏形但离真正的世界模型还很远。第四步具身智能早期——让 AI 从理解进化到行动——在物理世界中安全、灵活、智能地行动。RT-2/PaLM-E 是起点但离通用具身智能还很远。第五步AGI远期——全面智能——能感知、能理解、能推理、能行动、能创造、能学习。多模态是第 2 步的关键跳板——没有看的能力AI 永远是盲人学者。3.2 五大挑战从多模态到 AGI有五个硬骨头数据瓶颈——视觉数据远少于文本数据。互联网上有数万亿 Token 的文本但高质量的图文对只有数十亿、视频数据更少。具身数据更是稀缺——机器人数据比文本数据贵 10000 倍。数据瓶颈是多模态和具身智能的最大制约。对齐难题——多模态幻觉比纯文本幻觉更难控制。纯文本幻觉只是说错话多模态幻觉是看错还说——更难检测、更难纠正。具身智能的对齐更严峻——看错还做可能导致物理伤害。因果推理——当前模型只学到了相关性不理解因果性。多模态模型能识别下雨和地面湿同时出现但不理解下雨导致地面湿。没有因果推理世界模型就是空中楼阁。安全对齐——多模态 AI 的攻击面比纯文本 AI 大得多——图像可以隐藏对抗样本、视频可以嵌入恶意指令、语音可以伪造身份。具身智能的安全更严峻——物理世界的后果不可逆。评估体系——缺乏统一的多模态评估标准。VQAv2 只测自然图像问答、MMMU 只测学术理解、POPE 只测对象幻觉——没有一个基准能全面评估多模态能力。评估体系不完善就无法衡量进步。3.3 系列回顾六篇文章一条主线从能看到看懂到看透到创造到行动到理解世界。篇号核心问题核心洞察关键概念01多模态从哪来从对齐到融合到原生到统一四代演进/三大组件02多模态怎么工作感知→对齐→推理ViT/投影层/融合策略03怎么训练对齐是核心难题预训练/微调/RLHF04怎么部署视觉Token是瓶颈量化/缓存/服务05怎么用多模态AI的眼睛VQA/OCR/Agent06去哪世界模型是终局具身智能/AGI一句话总结多模态大模型未来与挑战三大维度世界模型从看懂到理解物理——三种世界模型生成式Sora通过生成视频模拟世界但物理理解浅层/交互式Genie通过交互探索世界支持反事实推理/预测式JEPA在抽象空间预测未来用于规划。核心挑战物理理解不理解基本规律/因果推理只学相关不学因果/长程预测只能预测短期。世界模型的意义从感知到理解的关键跳板、具身智能从看图做事到物理行动——VLA模型RT-2/PaLM-E/pi0统一视觉语言行动/数据挑战机器人数据比文本贵10000倍Sim2Real仿真到真实是关键/安全挑战物理世界不可逆安全约束可解释性人机协作。具身智能的终极目标让AI在物理世界中安全灵活智能地行动、AGI之路多模态→AGI五步路径文本LLM已实现→多模态LLM进行中→世界模型探索中→具身智能早期→AGI远期。五大挑战数据瓶颈视觉数据远少于文本/对齐难题多模态幻觉更难控制/因果推理相关≠因果/安全对齐攻击面更大/评估体系缺乏统一标准。多模态大模型AI从读文字到看世界的关键跳板。从CLIP到GPT-5从对齐到统一多模态正在重新定义AI的边界。参考链接Sora: Video Generation as World SimulatorRT-2: Vision-Language-Action ModelsPaLM-E: An Embodied Multimodal Language ModelJEPA: LeCun’s World Model ArchitectureOpen X-Embodiment系列完结感谢阅读本系列六篇文章覆盖了多模态大模型的全景图、核心架构、训练对齐、推理部署、应用 Agent、未来挑战。从 CLIP 到 GPT-5从 ViT 到世界模型从 LLaVA 到具身智能从对齐到统一——多模态大模型正在重新定义 AI 的能力边界。多模态的终极目标让 AI 像人一样感知、理解、创造和行动。希望这个系列帮助你建立了对多模态大模型的完整认知框架掌握了理解它、使用它、推动它的钥匙。
【多模态大模型系列·第 06 篇·终篇】未来与挑战：世界模型·具身智能·AGI——多模态的终局在哪里
发布时间：2026/6/4 22:39:39
【多模态大模型系列·第 06 篇·终篇】未来与挑战世界模型·具身智能·AGI——多模态的终局在哪里系列回顾第 01 篇我们绘制了多模态大模型的全景图第 02 篇我们拆解了视觉编码器·投影层·多模态融合的核心架构第 03 篇我们掌握了预训练·指令微调·RLHF·数据工程的训练方法论第 04 篇我们学会了量化·缓存·服务化的推理与部署第 05 篇我们探索了 VQA·OCR·视频理解·多模态 Agent 的应用全景。本篇是系列的终章进入多模态大模型最前沿也最不确定的领域未来与挑战——多模态的终局在哪里2024 年 OpenAI 发布 SoraAI 第一次模拟了物理世界——玻璃杯掉落会碎、人在水中会湿。但 Sora 也暴露了问题——人走路方向会突然反转、物体穿过桌面。这说明 AI 还不理解物理规律只是在模仿视频模式。世界模型World Model是多模态的下一个前沿——不只是看懂世界还要理解物理规律、“预测未来状态、“模拟因果推理。具身智能Embodied AI是多模态的终极应用——不只是看图做事”还要在物理世界中安全行动”。AGI 是远期目标——多模态是 AGI 的必经之路但不是终点。今天我们从世界模型、具身智能到 AGI 之路彻底展望多模态大模型的未来。 文章目录 一、世界模型从看懂到理解物理 二、具身智能从看图做事到物理行动 三、AGI 之路与系列回顾 一、世界模型从看懂到理解物理1.1 Sora世界模型的雏形2024 年 2 月OpenAI 发布 Sora——一个文本生成视频的模型能根据文字描述生成长达 60 秒的高质量视频。Sora 的震撼之处它不只是拼接视频片段而是模拟了物理世界——玻璃杯掉落会碎、人在水中会湿、镜头移动有透视变化。但 Sora 也暴露了关键问题人走路方向会突然反转不理解运动连续性、物体穿过桌面不理解固体碰撞、手指数量不一致不理解解剖结构。这些错误说明 Sora 并不真正理解物理规律——它只是在海量视频数据上学习到了看起来像的模式而不是为什么是这样的规律。Sora 的启示视频生成能力 ≠ 物理理解能力。能生成看起来对的视频不代表理解背后的物理规律。世界模型需要的不只是模仿还需要理解——理解因果、理解时间、理解空间。1.2 三种世界模型生成式世界模型Sora 式——通过生成视频来模拟世界。核心思想如果模型能生成物理正确的视频说明它隐式理解了物理规律。优势直观、可评估看视频就知道对不对劣势物理理解浅层、不可交互、不可控制。Sora 是这一类的代表。交互式世界模型Genie 式——通过交互来探索世界。核心思想给模型一个初始状态和动作预测下一个状态。用户可以操作世界——如果我把杯子推到桌子边缘会怎样模型预测杯子掉落。优势支持反事实推理“如果……会怎样”、可交互、可控制劣势需要精确的物理引擎或大量交互数据。DeepMind 的 Genie 是这一类的代表——它可以从一张图片生成交互式游戏环境。预测式世界模型JEPA 式——通过预测未来状态来规划世界。核心思想给定当前状态和动作预测下一个状态用于规划和决策。Yann LeCun 提出的 JEPAJoint Embedding Predictive Architecture是这一类的代表——它不生成像素而是在抽象空间中预测未来状态。优势计算高效、适合规划劣势抽象空间难以解释、需要大量状态-动作数据。1.3 世界模型的核心挑战物理理解——当前模型不理解基本物理规律重力物体会下落、碰撞固体不能穿过、流体水会流动、弹性弹簧会回弹。人类婴儿 6 个月就理解物体不能穿过另一个物体但 AI 还不行。因果推理——当前模型只学到了相关性不理解因果性。下雨和地面湿高度相关但模型不理解下雨导致地面湿这个因果关系。没有因果推理模型就无法回答如果不下雨地面会怎样这种反事实问题。长程预测——当前模型只能预测短期未来几秒无法预测长期未来几分钟、几小时。就像下棋——预测下一步容易预测十步后极难。长程预测需要层次化规划和抽象推理。1.4 世界模型的意义世界模型是多模态大模型从感知到理解的关键跳板。当前的多模态模型能看懂图像识别物体、回答问题但不理解物理世界不知道物体会下落、碰撞会反弹。世界模型让 AI 从看懂进化到理解——理解物理规律、理解因果关系、理解时间流逝。世界模型的应用自动驾驶预测其他车辆和行人的行为、机器人预测动作的物理后果、科学模拟预测化学反应、天气变化、游戏生成可交互的虚拟世界。 二、具身智能从看图做事到物理行动2.1 VLA 模型视觉-语言-行动的统一具身智能的核心问题是怎么让 AI 在物理世界中安全、灵活、智能地行动答案是 VLAVision-Language-Action模型——把视觉感知、语言理解和物理行动统一在一个模型中。RT-2Robotic Transformer 2——Google 2023 年发布第一个把 LLM 和机器人控制结合的模型。RT-2 的架构视觉编码器ViT LLMPaLI-X 动作解码器。输入图像 语言指令“拿起那个苹果”输出机器人关节角度序列。RT-2 的突破LLM 的常识推理能力迁移到机器人——即使训练时没见过拿起那个红色水果机器人也能理解红色水果苹果并执行。PaLM-EPaLM-Embodied——Google 2023 年发布最大的具身多模态模型562B 参数。PaLM-E 把 PaLM语言模型和多个传感器编码器视觉、触觉、本体感觉统一在一个 Transformer 中。PaLM-E 的突破跨具身泛化——在一种机器人上训练可以迁移到另一种机器人跨任务泛化——从拿苹果泛化到拿任何指定物体。pi0Physical Intelligence——2024 年发布专注于通用机器人基础模型。pi0 的核心思想用大量不同机器人的数据训练一个通用模型让任何机器人都能从同一个模型中受益。pi0 在 Open X-Embodiment 数据集上训练包含 22 种机器人的 100 万 episodes。2.2 数据挑战机器人数据比文本数据贵 1000 倍具身智能最大的瓶颈是数据。LLM 训练用数万亿 Token 的文本数据成本几乎为零互联网上到处都是。但机器人数据需要物理机器人$10,000-100,000/台、人类操作员$30-100/小时、安全环境实验室/工厂、时间每个 episode 1-10 分钟。一条机器人操作数据的成本约为 $1-10而一条文本数据的成本约为 $0.0001——差了 10000 倍。**Sim2Real仿真到真实**是解决数据瓶颈的关键策略在仿真环境中训练成本几乎为零然后迁移到真实世界。NVIDIA Isaac Sim 可以模拟物理世界——重力、碰撞、摩擦、光照。域随机化Domain Randomization是 Sim2Real 的核心技术在仿真中随机化纹理、光照、物理参数让模型学会忽略不重要的变化关注不变的物理规律。数字孪生是 Sim2Real 的进阶——精确模拟真实环境包括特定的房间布局、家具位置、光照条件。数字孪生让模型在仿真中预演真实任务减少真实世界的试错成本。2.3 安全挑战物理世界不可逆具身智能的安全挑战比纯软件 AI 严峻得多——在软件中错误可以撤销CtrlZ在物理世界中错误不可逆打碎的杯子不能复原、受伤的人不能倒带。安全约束机器人必须遵守物理安全约束——不能碰撞人类、不能施加过大力量、不能在危险区域操作。这些约束需要硬编码不可违反的规则 学习从数据中学到的安全行为。可解释性机器人必须能解释为什么这样做——如果机器人突然停止操作人类需要知道原因是检测到危险还是指令不明确。可解释性在具身智能中比在纯软件 AI 中更重要因为物理世界的后果更严重。人机协作未来的机器人不是独立工作而是与人类协作——机器人递工具、人类操作。人机协作需要意图理解人类想做什么、安全距离保持安全距离、力控施加适当的力。 三、AGI 之路与系列回顾3.1 多模态 → AGI 的路径推演多模态是 AGI 的必经之路但不是终点。从多模态到 AGI 的路径推演第一步文本 LLM已实现——GPT-4/Claude/Gemini 已经展示了强大的语言推理能力。但纯文本 LLM 是盲人学者——能说不能看能想不能做。第二步多模态 LLM进行中——GPT-4V/Gemini/LLaVA 让 AI 能看。但当前的多模态 LLM 还停留在看懂层面——能识别物体、回答问题但不理解物理规律、不能在物理世界行动。第三步世界模型探索中——让 AI 从看懂进化到理解——理解物理规律、因果关系、时间流逝。Sora 是雏形但离真正的世界模型还很远。第四步具身智能早期——让 AI 从理解进化到行动——在物理世界中安全、灵活、智能地行动。RT-2/PaLM-E 是起点但离通用具身智能还很远。第五步AGI远期——全面智能——能感知、能理解、能推理、能行动、能创造、能学习。多模态是第 2 步的关键跳板——没有看的能力AI 永远是盲人学者。3.2 五大挑战从多模态到 AGI有五个硬骨头数据瓶颈——视觉数据远少于文本数据。互联网上有数万亿 Token 的文本但高质量的图文对只有数十亿、视频数据更少。具身数据更是稀缺——机器人数据比文本数据贵 10000 倍。数据瓶颈是多模态和具身智能的最大制约。对齐难题——多模态幻觉比纯文本幻觉更难控制。纯文本幻觉只是说错话多模态幻觉是看错还说——更难检测、更难纠正。具身智能的对齐更严峻——看错还做可能导致物理伤害。因果推理——当前模型只学到了相关性不理解因果性。多模态模型能识别下雨和地面湿同时出现但不理解下雨导致地面湿。没有因果推理世界模型就是空中楼阁。安全对齐——多模态 AI 的攻击面比纯文本 AI 大得多——图像可以隐藏对抗样本、视频可以嵌入恶意指令、语音可以伪造身份。具身智能的安全更严峻——物理世界的后果不可逆。评估体系——缺乏统一的多模态评估标准。VQAv2 只测自然图像问答、MMMU 只测学术理解、POPE 只测对象幻觉——没有一个基准能全面评估多模态能力。评估体系不完善就无法衡量进步。3.3 系列回顾六篇文章一条主线从能看到看懂到看透到创造到行动到理解世界。篇号核心问题核心洞察关键概念01多模态从哪来从对齐到融合到原生到统一四代演进/三大组件02多模态怎么工作感知→对齐→推理ViT/投影层/融合策略03怎么训练对齐是核心难题预训练/微调/RLHF04怎么部署视觉Token是瓶颈量化/缓存/服务05怎么用多模态AI的眼睛VQA/OCR/Agent06去哪世界模型是终局具身智能/AGI一句话总结多模态大模型未来与挑战三大维度世界模型从看懂到理解物理——三种世界模型生成式Sora通过生成视频模拟世界但物理理解浅层/交互式Genie通过交互探索世界支持反事实推理/预测式JEPA在抽象空间预测未来用于规划。核心挑战物理理解不理解基本规律/因果推理只学相关不学因果/长程预测只能预测短期。世界模型的意义从感知到理解的关键跳板、具身智能从看图做事到物理行动——VLA模型RT-2/PaLM-E/pi0统一视觉语言行动/数据挑战机器人数据比文本贵10000倍Sim2Real仿真到真实是关键/安全挑战物理世界不可逆安全约束可解释性人机协作。具身智能的终极目标让AI在物理世界中安全灵活智能地行动、AGI之路多模态→AGI五步路径文本LLM已实现→多模态LLM进行中→世界模型探索中→具身智能早期→AGI远期。五大挑战数据瓶颈视觉数据远少于文本/对齐难题多模态幻觉更难控制/因果推理相关≠因果/安全对齐攻击面更大/评估体系缺乏统一标准。多模态大模型AI从读文字到看世界的关键跳板。从CLIP到GPT-5从对齐到统一多模态正在重新定义AI的边界。参考链接Sora: Video Generation as World SimulatorRT-2: Vision-Language-Action ModelsPaLM-E: An Embodied Multimodal Language ModelJEPA: LeCun’s World Model ArchitectureOpen X-Embodiment系列完结感谢阅读本系列六篇文章覆盖了多模态大模型的全景图、核心架构、训练对齐、推理部署、应用 Agent、未来挑战。从 CLIP 到 GPT-5从 ViT 到世界模型从 LLaVA 到具身智能从对齐到统一——多模态大模型正在重新定义 AI 的能力边界。多模态的终极目标让 AI 像人一样感知、理解、创造和行动。希望这个系列帮助你建立了对多模态大模型的完整认知框架掌握了理解它、使用它、推动它的钥匙。
