获课：xingkeit.top/15967/

当AI睁开“眼睛”——多模态大模型训练营教会我的事

训练营最后一天的项目展示环节，一位做内容运营的姑娘上台分享。她上传了一段嘈杂的菜市场手机视频——人声、叫卖声、塑料袋窸窣声混成一片。几秒钟后，AI不仅生成了完整的文字记录，还自动标注出了七个不同的声源，最后甚至把这段视频翻译成了一篇带情绪的散文。

“我以前剪一个vlog，要找音乐、加字幕、写文案，折腾一下午。”她说，“现在我只用想一件事——这个故事，我想让别人感受到什么。”

全场安静了一瞬，然后掌声响起。

这大概就是多模态大模型让我最震撼的地方：AI不再是“处理”信息的工具，而是开始“理解”世界了。图像、文字、声音、视频——这些曾经被不同软件、不同技能树、不同职业割裂开的信息形态，第一次被打通。

坦白说，我对AI不算陌生人。ChatGPT出来时我是第一批尝鲜的，Midjourney也玩过一阵。但我一直觉得这些是“各干各的”——写字的管写字，画图的管画图。直到这次亲手操作多模态模型，我才意识到自己的认知有多落伍。

训练营里有一个练习让我至今难忘。导师给了一段模糊的便利店监控视频：一个人影闪过，货架晃动，然后那人离开。传统方式大概就是人眼反复看、猜。但多模态模型的做法完全不同——它逐帧分析运动轨迹，同时识别音频里的细微声响，交叉比对后得出结论：不是偷东西，是顾客被绊了一下扶住了货架。

那一刻我突然理解了什么叫“多模态”。它不是在叠加信息，而是在做人类每天都在做的事情——用眼睛看、用耳朵听、用脑子联想，然后把这一切融合成一个完整的理解。

这种能力意味着什么？我觉得是三个字：降门槛。

以前想做点跨媒体的事情有多难？想把一篇文章转成短视频，你得会写脚本、会配音、会剪辑、会加字幕，每一项都是一个专业。现在呢？把文章丢给多模态模型，说“生成一个30秒的情绪短片”，分镜、配乐、旁白，一气呵成。质量不一定顶级，但绝对够用。

训练营里做教育的学员第一个嗅到了机会。她过去做一堂在线课，要拍视频、做PPT、写文稿、配习题，四套流程、四拨人。现在她用多模态模型，上传一份教案文档，AI自动生成讲解视频、配套图文材料、甚至互动问答。她开玩笑说：“我感觉我一个人就是一个教研组。”

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？

这问题没有标准答案，但讨论的过程让我想明白了一件事。多模态模型越强，它暴露出来的反而是人类独有的那些东西——审美、共情、价值观判断，和对“好不好”的直觉。

拿那个内容运营的姑娘来说，AI能生成十个版本的视频配文，但用哪一个？什么语气？面向谁？这些决定背后，是她对账号调性的理解，对粉丝情绪的洞察，对当下热点的判断。AI提供了选项，人类做出选择。

这个差距，短期之内，我看不到被技术抹平的可能。

训练营结营那天，我说了一句话：“多模态不是让你变全能，而是让你能更纯粹地做你擅长的那件事。”

以前你想实现一个想法，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的AI。它会帮你看懂视频、听清音频、读完文档，然后用你需要的形态呈现出来。

多模态大模型训练营虽然结束了，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”成一种所有人都能理解的语言。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。你只需要成为一个有想法的人，然后学会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。