获课：xingkeit.top/15967/

当AI能看懂这个世界——多模态大模型训练营教会我的事

训练营最后一天的展示环节，一位做UI设计的姑娘打开了她这几天的作品。她上传了一张随手拍的照片——咖啡馆角落里一只打哈欠的猫。几秒钟后，AI生成了三组内容：一段俏皮的社交媒体文案、一张以猫为原型生成的卡通头像、还有一段描述这个场景的英文配音旁白。

“我以前做一张海报，要找图、想文案、调排版，一个下午就没了。”她说，“现在我想的是——这个故事该怎么讲。”

全场安静了两秒，然后响起了掌声。

这大概就是多模态大模型让我最震撼的地方：它不是在“处理”信息，而是在“理解”世界。图像、文字、声音、视频——这些曾经被不同工种、不同软件、不同技能树割裂开的信息形态，第一次被打通了。

我自认为对AI不算陌生。ChatGPT出来的时候我是第一批用户，Midjourney也玩过一阵子。但说实话，我一直觉得那些是“各自为战”的工具——写字的归写字，画图的归画图，谁也不挨着谁。直到这次亲自上手操作多模态模型，我才意识到自己之前的认知有多局限。

训练营里有一个练习让我印象特别深。导师给了一段模糊的监控视频——画面里一个人影闪过，一辆车开走，再无更多信息。传统的方式大概是截图、放大、猜。但用多模态模型，你可以把视频逐帧拆解，让AI分析每一帧中物体的运动轨迹，同时结合声音轨道的异常波动，交叉推断出发生了什么。

原理其实不复杂，但那一刻我的感觉是：这不是在“用工具”，这是在“配一个团队”。一个能同时看懂图、听懂话、读懂文的团队。

这种能力意味着什么？我觉得是三个字：低门槛。

以前想做点跨媒体的事情有多难？你想把一篇文章转成视频，得会写脚本、会配音、会剪辑、会加字幕。每一项都是一个独立的技能，都得花时间学。现在呢？把文章丢给多模态模型，说一句“生成一个30秒的短视频”，从分镜到配音到字幕，一键到位。质量不一定惊艳，但绝对够用。

训练营里做市场营销的学员第一个嗅到了机会。过去做一场 campaign，要拉设计出图、要拉文案写稿、要拉运营排期，沟通成本比执行成本还高。现在他一个人坐在电脑前，用多模态模型从一张产品图开始，生成了全套的社交媒体素材——图文、短视频、甚至互动H5的草稿。他半开玩笑地说：“我感觉我一个人就是一个部门。”

但也正因为这种“全能感”，训练营里讨论最多的一个问题反而是：人还剩下什么？

这个问题没有标准答案，但讨论的过程让我想清楚了一件事。多模态模型越强，它暴露出来的反而是人类独有的那些能力——审美、同理心、判断力、和对“好”与“对”的直觉。

拿那个UI设计师的例子来说，AI能生成三组不同的内容，但选哪一组发出去？配什么样的语气？面向什么样的受众？这些决定背后，是一个人对品牌调性的理解，对用户情绪的洞察，对当下传播环境的判断。AI提供了选项，人类做出选择。

这个区别，短期之内，我看不到被技术抹平的可能。

训练营结营那天，我在总结时说了一句话：“多模态不是让你变全能，而是让你能更纯粹地做你自己擅长的那件事。”

以前你想做一件事，需要凑齐一套技能。现在你只需要一个想法，和一个能理解你想法的AI。它会帮你把文字变成画面，把画面变成故事，把故事变成可以被传播、被理解、被记住的东西。

多模态大模型训练营结束了，但我相信对每个参与者来说，真正的变化才刚刚开始。这个世界正在被AI重新“翻译”成一种可以被所有人理解的语言。而多模态，就是那本字典。

你不必成为程序员，也不必成为设计师，甚至不必成为任何一种“师”。你只需要成为一个有想法的人，然后学会如何跟一个能看懂世界的AI好好说话。

这大概就是解锁AI新趋势最关键的钥匙。