未来的人工智能（AI）什么样？想象一下，只需简单一个指令，它们便能领悟并执行复杂的任务；它们还能通过视觉捕捉用户的表情和动作，判断其情绪状态。这不再是好莱坞科幻电影中的场景，而是正逐步走进现实的“多模态AI”。
据美国《福布斯》网站近日报道，元宇宙平台公司、OpenAI以及谷歌公司等巨头，都推出了各自的多模态AI系统，正不遗余力地加大对此类系统的研发投资，力求提高各种模态内容输出的精确度，从而改善AI与用户的交互体验。
多模态AI标志着一种范式变革。它将深刻改变很多行业的面貌，并重塑数字世界的格局。
赋予AI“多重感官”功能
人类是如何了解世界的？我们依赖视觉、听觉和触觉等多种感官，从无数来源接收信息。人脑将这些纷繁复杂的数据模式融合，绘制出一幅生动的现实“画卷”。
IBM公司官网这样定义多模态AI：能集成和处理来自多种模态（数据类型）的机器学习模型，这些模态包括文本、图像、音频、视频等形式的输入。就像赋予AI一整套感官，使它能从多个角度感知并理解输入的信息。
这种跨越不同模态理解和创建信息的能力，超越此前侧重于集成和处理特定数据源的单模态AI，赢得了各大科技巨头的青睐。
在今年的移动通信大会上，高通公司将其开发的多模态大模型首次部署在安卓手机上。用户无论是输入照片，还是语音等信息，都能与AI助手顺畅交流。例如，用户可以拍一张美食照片向AI助手提问：这些食材都是什么？能做出什么菜？每道菜的热量是多少？AI助手能基于照片信息，给出详细的答案。
今年5月，OpenAI发布了多模态模型GPT-4o，其支持文本、音频和图像的任意组合输入和输出。随后，谷歌也于第二天推出了自己的最新多模态AI产品Gemini 1.5 Pro。
9月25日，元宇宙平台公司发布了其最新的开源大语言模型Llama 3.2。公司首席执行官马克·扎克伯格在主题演讲中表示，这是该公司首个开源多模态模型，可同时处理文本和视觉数据，标志着AI在理解更复杂应用场景方面取得了重大进展。
悄然推动各领域变革
多模态AI正悄然改变着多个领域的面貌。
在医疗保健领域，IBM旗下“沃森健康”正对病人的影像学数据、病历文本和基因数据进行综合分析，帮助医生更准确地诊断疾病，有力支持医生为病人制订个性化治疗方案。
创意产业也正在经历一场变革。数字营销专家和电影制片人正借助这一技术打造定制内容。试想，只需一个简单的提示或概念，AI系统就能编撰出引人入胜的剧本，生成故事板（即一系列插图排列在一起组成的可视化故事）、创作配乐，甚至制作出初步场景剪辑。
教育和培训领域也在多模态AI助力下向个性化学习迈进。美国纽顿公司开发的自适应学习平台能利用多模态AI，深入分析学生的学习行为、表情和语音，实时调整教学内容和难度。实验数据显示，这种方法能将学生的学习效率提高40%。
客户服务也是多模态AI系统令人兴奋的应用之一。聊天机器人不仅能回应文本查询，还能理解客户的语调，分析客户的面部表情，并用适当的语言和可视化线索作出回应。这种更接近人类的交流有望彻底改变企业与客户的互动方式。
仍需克服技术伦理挑战
但多模态AI发展也面临诸多挑战。
AI咨询公司“隐空间”创始人亨瑞·艾德尔表示，多模态AI的强大之处在于能够整合多种数据类型。然而，如何有效整合这些数据仍是一个技术难题。
此外，多模态AI模型在运行过程中往往需要消耗大量算力资源，这无疑增加了其应用成本。
更值得注意的是，多模态数据包含更多个人信息。当多模态AI系统能轻松识别人脸、声音乃至情绪状态时，如何确保个人隐私得到尊重与保护？又该如何采取有效措施，防止其被用于创建“深度伪造”或其他误导性内容？这些都是值得深思的问题。
未来的人工智能（AI）什么样？想象一下，只需简单一个指令，它们便能领悟并执行复杂的任务；它们还能通过视觉捕捉用户的表情和动作，判断其情绪状态。这不再是好莱坞科幻电影中的场景，而是正逐步走进现实的“多模态AI”。
据美国《福布斯》网站近日报道，元宇宙平台公司、OpenAI以及谷歌公司等巨头，都推出了各自的多模态AI系统，正不遗余力地加大对此类系统的研发投资，力求提高各种模态内容输出的精确度，从而改善AI与用户的交互体验。
多模态AI标志着一种范式变革。它将深刻改变很多行业的面貌，并重塑数字世界的格局。
赋予AI“多重感官”功能
人类是如何了解世界的？我们依赖视觉、听觉和触觉等多种感官，从无数来源接收信息。人脑将这些纷繁复杂的数据模式融合，绘制出一幅生动的现实“画卷”。
IBM公司官网这样定义多模态AI：能集成和处理来自多种模态（数据类型）的机器学习模型，这些模态包括文本、图像、音频、视频等形式的输入。就像赋予AI一整套感官，使它能从多个角度感知并理解输入的信息。
这种跨越不同模态理解和创建信息的能力，超越此前侧重于集成和处理特定数据源的单模态AI，赢得了各大科技巨头的青睐。
在今年的移动通信大会上，高通公司将其开发的多模态大模型首次部署在安卓手机上。用户无论是输入照片，还是语音等信息，都能与AI助手顺畅交流。例如，用户可以拍一张美食照片向AI助手提问：这些食材都是什么？能做出什么菜？每道菜的热量是多少？AI助手能基于照片信息，给出详细的答案。
今年5月，OpenAI发布了多模态模型GPT-4o，其支持文本、音频和图像的任意组合输入和输出。随后，谷歌也于第二天推出了自己的最新多模态AI产品Gemini 1.5 Pro。
9月25日，元宇宙平台公司发布了其最新的开源大语言模型Llama 3.2。公司首席执行官马克·扎克伯格在主题演讲中表示，这是该公司首个开源多模态模型，可同时处理文本和视觉数据，标志着AI在理解更复杂应用场景方面取得了重大进展。
悄然推动各领域变革
多模态AI正悄然改变着多个领域的面貌。
在医疗保健领域，IBM旗下“沃森健康”正对病人的影像学数据、病历文本和基因数据进行综合分析，帮助医生更准确地诊断疾病，有力支持医生为病人制订个性化治疗方案。
创意产业也正在经历一场变革。数字营销专家和电影制片人正借助这一技术打造定制内容。试想，只需一个简单的提示或概念，AI系统就能编撰出引人入胜的剧本，生成故事板（即一系列插图排列在一起组成的可视化故事）、创作配乐，甚至制作出初步场景剪辑。
教育和培训领域也在多模态AI助力下向个性化学习迈进。美国纽顿公司开发的自适应学习平台能利用多模态AI，深入分析学生的学习行为、表情和语音，实时调整教学内容和难度。实验数据显示，这种方法能将学生的学习效率提高40%。
客户服务也是多模态AI系统令人兴奋的应用之一。聊天机器人不仅能回应文本查询，还能理解客户的语调，分析客户的面部表情，并用适当的语言和可视化线索作出回应。这种更接近人类的交流有望彻底改变企业与客户的互动方式。
仍需克服技术伦理挑战
但多模态AI发展也面临诸多挑战。
AI咨询公司“隐空间”创始人亨瑞·艾德尔表示，多模态AI的强大之处在于能够整合多种数据类型。然而，如何有效整合这些数据仍是一个技术难题。
此外，多模态AI模型在运行过程中往往需要消耗大量算力资源，这无疑增加了其应用成本。
更值得注意的是，多模态数据包含更多个人信息。当多模态AI系统能轻松识别人脸、声音乃至情绪状态时，如何确保个人隐私得到尊重与保护？又该如何采取有效措施，防止其被用于创建“深度伪造”或其他误导性内容？这些都是值得深思的问题。
据法新社巴黎3月15日报道，15日发布的一项新的重要分析称，影响神经系统的疾病——如中风、偏头痛和痴呆症——已经超过心脏病，成为全球范围内导致人们健康损害的主要原因。 肺癌是全球死亡率最高的恶性肿瘤。其中非小细胞肺癌（NSCLC）占比达到85%。表皮生长因子受体（EGFR）是NSCLC最常见的驱动突变基因。现在，一个国际科学家团队首次证明，EGFR的一个关键界面可能会成为更 “截至2023年底，与2018年同期相比，京津冀治理区浅层地下水位平均回升2.59米，深层承压水水位平均回升7.06米。”3月22日世界水日到来之际，水利部水资源管理司副司长张鸿星21日接受科技日报记者采 “AI钢铁侠”黄仁勋，又进化了英伟达 作 者丨倪雨晴 2024年，英伟达一年一度的GTC大会已然成为AI界春晚，现场座无虚席，全球AI爱好者翘首以待黄仁勋的独家SOLO。 北京时间3月19日凌晨，GTC终于拉开大幕。英伟达创 3月23日消息，京东与OPPO战略合作协议签约仪式举行，双方签订未来三年OPPO在京东全渠道实现销售额同比增长100%的目标。在签约仪式上，OPPO高级副CEO、首席产品官刘作虎表示，2024年线上突破是OPPO中国区 美国佐治亚理工学院机械工程师开发了一种控制机器人外骨骼的通用方法。无需专门训练、特别校准，对复杂算法进行调整后，用户穿上外骨骼就可以直接行走。研究成果3月20日发表在《科学·机 。
本文链接：多模态AI重新定义人机交互方式http://www.sushuapos.com/show-2-8937-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 北京亦庄商业航天加速腾飞