在當(dāng)下，多模態(tài)融合已成為 AI 領(lǐng)域的高確定性趨勢。這一趨勢的形成，與大語言模型的局限性密切相關(guān)。盡管大語言模型在自然語言處理方面取得了顯著進(jìn)展，但在面對(duì)復(fù)雜多樣的現(xiàn)實(shí)世界數(shù)據(jù)時(shí)，其短板逐漸顯現(xiàn)。

　　為了突破大語言模型的局限，多模態(tài)融合技術(shù)應(yīng)運(yùn)而生。所謂多模態(tài)，簡單來說，就是AI能夠同時(shí)處理和理解來自不同來源的信息，比如文本、圖像、聲音、視頻等。值得注意的是在DeepSeek-R1爆火之后，DeepSeek緊接著在北京時(shí)間1月28日凌晨，于GitHub平臺(tái)發(fā)布了Janus-Pro多模態(tài)大模型，進(jìn)軍文生圖領(lǐng)域，這說明多模態(tài)發(fā)展是行業(yè)的大趨勢。

　　多模態(tài)AI應(yīng)用市場未來增長或?qū)崿F(xiàn)五年五倍

　　而通過多模態(tài)融合技術(shù)還可以讓 AI 系統(tǒng)能夠像人類一樣，從多個(gè)維度感知和理解世界。例如，當(dāng)我們向多模態(tài)AI 描述 “一只在花叢中飛舞的蝴蝶”時(shí)，多模態(tài) AI 不僅能理解文本含義，還能生成對(duì)應(yīng)的生動(dòng)圖像，甚至模擬出蝴蝶飛舞時(shí)的輕柔音效。

　　因此，多模態(tài)融合技術(shù)的應(yīng)用場景極為廣泛。在教育領(lǐng)域，它能為學(xué)生打造個(gè)性化的學(xué)習(xí)體驗(yàn)，結(jié)合文本講解、圖像演示和音頻講解，讓知識(shí)傳授更加生動(dòng)形象；在娛樂行業(yè)，可實(shí)現(xiàn)更逼真的虛擬角色互動(dòng)，虛擬偶像不僅能與用戶流暢對(duì)話，其表情和動(dòng)作也能與對(duì)話內(nèi)容完美匹配；在智能家居中，用戶通過語音指令，結(jié)合手勢或面部識(shí)別，就能輕松控制家電設(shè)備，為生活帶來極大便利。

　　市場空間上，根據(jù)全球性市場研究和咨詢公司 Omdia的研究報(bào)告顯示，多模態(tài)市場AI將在五年內(nèi)增長五倍，從 2024 年的 146 億美元(1060 億元人民幣左右)增長到 2029 年的 728 億美元(5300億元人民幣左右)。

　　多模態(tài)AI海外代表企業(yè)：OpenAI、谷歌

　　面對(duì)廣闊的市場空間，國內(nèi)外有許多公司都在布局相關(guān)領(lǐng)域。在海外市場上，代表企業(yè)是OpenAI和谷歌。

　　OpenAI方面，其旗下Sora 的出現(xiàn)意義重大，是視頻生成領(lǐng)域的一個(gè)重要轉(zhuǎn)折點(diǎn)。Sora 展示了利用 DiT 可擴(kuò)展架構(gòu)的有效性，吸引了全球同行們快速跟進(jìn)，推動(dòng)視頻生成從學(xué)術(shù)研究到工業(yè)級(jí)應(yīng)用的重大跨越。

　　谷歌方面，2024年12月，谷歌發(fā)布了全新多模態(tài)大模型——Gemini 2.0，被稱為“迄今為止谷歌最強(qiáng)大的AI模型”。與1.0版本相比，Gemini 2.0在多模態(tài)能力上實(shí)現(xiàn)了突破，支持圖像和音頻輸出，并增強(qiáng)了工具使用能力，這將推動(dòng)谷歌構(gòu)建新的AI智能體，進(jìn)一步實(shí)現(xiàn)“通用助手”的愿景。

　　多模態(tài)AI國內(nèi)代表企業(yè)：萬興科技

　　對(duì)于國內(nèi)投資者而言，可能更關(guān)注的是國內(nèi)企業(yè)。在一眾相關(guān)企業(yè)中，筆者認(rèn)為萬興科技(300624.SZ)或許有望成為行業(yè)代表者。

　　這一判斷的依據(jù)首先在于其足夠聚焦，有稀缺優(yōu)勢。正所謂專業(yè)的人做專業(yè)的事，雖然國內(nèi)做文生視頻模型的企業(yè)有很多，但是專注于做創(chuàng)意類音視頻模型及AI應(yīng)用的A股上市企業(yè)屈指可數(shù)。萬興科技此前推出了國內(nèi)首個(gè)音視頻多媒體大模型萬興“天幕”，涵蓋語言、音頻、圖像、視頻等多模態(tài)能力。同時(shí)，萬興科技構(gòu)建了一個(gè)矩陣式的數(shù)字創(chuàng)意軟件產(chǎn)品創(chuàng)新平臺(tái)，從技術(shù)、營銷到管理賦能，較為全面地支持創(chuàng)作者。因此，萬興科技在業(yè)內(nèi)具有一定的稀缺性。

　　第二個(gè)依據(jù)是萬興科技的先發(fā)優(yōu)勢。在日新月異的AI行業(yè)，誰能率先做出改變，誰就能搶占先機(jī)。面對(duì)DeepSeek帶來的行業(yè)變化，萬興科技率先做出改變。具體來看，2月4日，萬興科技率先完成深度求索(DeepSeek)最新推理大模型DeepSeek-R1的深入適配，旗下視頻創(chuàng)意、繪圖創(chuàng)意及文檔創(chuàng)意軟件業(yè)務(wù)產(chǎn)品，諸如萬興喵影、億圖圖示、億圖腦圖MindMaster、萬興PDF等均已融合DeepSeek-R1大模型相關(guān)能力。

　　第三個(gè)依據(jù)是萬興科技的價(jià)值優(yōu)勢。公司的產(chǎn)品抓住了用戶痛點(diǎn)、實(shí)實(shí)在在地為客戶創(chuàng)造價(jià)值。以公司旗下產(chǎn)品萬興播爆為例，其就是洞察到跨境營銷視頻制作外籍演員難找、多語言難適配、視頻制作周期長成本高等痛點(diǎn)而推出，大幅縮短了制作周期，降低了制作成本和門檻。而產(chǎn)品好不好用戶數(shù)量最有發(fā)言權(quán)，公開資料顯示，萬興科技業(yè)務(wù)已覆蓋全球200多個(gè)國家和地區(qū)，累計(jì)用戶數(shù)超15億。

　　第四個(gè)依據(jù)是萬興科技的數(shù)據(jù)優(yōu)勢。目前包括Sora、MidJourney等在內(nèi)的大部分視頻/圖像生成模型，都主要是以海外數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)中國元素的生成仍舊不盡如人意。而萬興“天幕”大模型依托大量本土化數(shù)據(jù)，能夠更好地理解和生成符合用戶期望的音視頻內(nèi)容，滿足本土內(nèi)容創(chuàng)作的需求。‌

　　對(duì)于公司的行業(yè)地位和未來，機(jī)構(gòu)們也表達(dá)了看好。例如，平安證券指出公司深耕視頻創(chuàng)意與數(shù)字辦公業(yè)務(wù)，產(chǎn)品線對(duì)標(biāo)全球創(chuàng)意軟件巨頭，同時(shí)面對(duì)當(dāng)下AIGC多模態(tài)領(lǐng)域的機(jī)遇，公司持續(xù)加深核心產(chǎn)品智能化，多款產(chǎn)品在業(yè)內(nèi)率先實(shí)現(xiàn)AI應(yīng)用落地，將為公司后續(xù)業(yè)務(wù)增長奠定基礎(chǔ)。