2025年中國多模態(tài)大模型行業(yè)模型現(xiàn)狀 圖像、視頻、音頻、3D模型等終將打通和融合【組圖】

行業(yè)主要上市公司：阿里巴巴(09988.HK，BABA.US);百度(09888.HK，BIDU.US);騰訊(00700.HK， TCEHY);科大訊飛(002230.SZ);萬興科技(300624.SZ);三六零(601360.SH);昆侖萬維(300418.SZ);云從科技(688327.SH);拓爾思(300229.SZ)等

多模態(tài)大模型的模型路徑

多模態(tài)大模型的探索正在逐步取得進展，近年來產(chǎn)業(yè)聚焦在視覺等重點模態(tài)領(lǐng)域突破。理想中的“Any-to-Any”大模型，Google Gemini、Codi-2等均是處于探索階段的方案，其最終技術(shù)方案的成熟還需要在各個模態(tài)領(lǐng)域的路線跑通，實現(xiàn)多模態(tài)知識學習，跨模態(tài)信息對齊共享，進而實現(xiàn)理想中多模態(tài)大模型?，F(xiàn)階段產(chǎn)業(yè)主要的工作還是聚焦在視覺等典型的重點模態(tài)，試圖將Transformer大模型架構(gòu)進一步在圖像、視頻、3D模型等模態(tài)領(lǐng)域引入使用，完善各個模態(tài)領(lǐng)域的感知和生成模型，再進一步實現(xiàn)更多模態(tài)之間的跨模態(tài)打通和融合。

多模態(tài)大模型的圖像模型

早在2023年LLM的流行之前，過去產(chǎn)業(yè)界在對于圖像的理解和生成模型領(lǐng)域已經(jīng)打下了堅實的基礎(chǔ)，其中也產(chǎn)生了CLIP、Stable Diffusion、GAN等典型的模型成果，孕育出了Midjourney、DALL·E等成熟的文生圖應(yīng)用。而更進一步，產(chǎn)業(yè)界也在積極探索將Transformer大模型引入圖像相關(guān)任務(wù)領(lǐng)域(ViT，Vision Transformer;DiT，Diffusion Transformer)，探索統(tǒng)一視覺大模型的建立，以及將LLM大語言模型與視覺模型進行更加密切的融合，包括近年來的GLIP、SAM、GPT-V都是其中的重點成果。

注：利用真實文本描述，通過CLIP生成的圖像特征

多模態(tài)大模型的視頻模型

由于視頻本質(zhì)上是由很多幀的圖像疊加而成，因此本質(zhì)上語言與視頻模態(tài)的融合和語言和圖像具有相當多的互通之處，產(chǎn)業(yè)界也在嘗試將圖像生成模型遷移到視頻生成，先基于圖像數(shù)據(jù)進行訓練，再結(jié)合時間維度上的對齊，最終實現(xiàn)文生視頻的效果。其中近年來也產(chǎn)生了VideoLDM、W.A.L.T.等典型的成果，并在近期也出現(xiàn)了Sora這樣具有明顯突破性效果的模型，其在視頻生成領(lǐng)域沿用了Diffusion Transformer架構(gòu)，并在視頻類場景首次呈現(xiàn)出“智能涌現(xiàn)”的跡象。

視頻本質(zhì)上是一系列圖像的連續(xù)展示，圖片生成是視頻生成的基礎(chǔ)。圖片生成的主流技術(shù)即擴散模型同樣也是視頻生成的主流技術(shù)，目前主流的文生視頻模型的技術(shù)路線為基于文生圖模型，通過在時間維度加入卷積或注意力，在生成的關(guān)鍵幀基礎(chǔ)上實現(xiàn)時序?qū)R得到視頻。在此基礎(chǔ)上，插幀+超分、初始噪聲對齊、基于LLM增強描述等方法均有助于增強時序?qū)R能力，實現(xiàn)更高質(zhì)量的視頻生成。Zero-shot領(lǐng)域的一系列研究則能夠?qū)崿F(xiàn)無需訓練，直接將圖片生成模型轉(zhuǎn)化為視頻生成模型。

多模態(tài)大模型的3D模型

實際上3D是由2D+空間信息構(gòu)成，因此類似于由圖像生成到視頻生成的延伸，2D圖片的生成方法理論上也可以遷移到3D中。近年來產(chǎn)業(yè)界也在積極探索將圖像領(lǐng)域的GAN、自回歸、Diffusion、VAE等骨干模型在3D模型生成任務(wù)中的擴展，其中也產(chǎn)生了3D GAN、MeshDiffusion、Instant3D等重點的模型成果。但相比圖像和視頻生成，目前的3D模型生成技術(shù)還處于早期發(fā)展階段，相關(guān)模型的成熟度仍有較大提升空間。

3D數(shù)據(jù)表征：包括網(wǎng)格(Mesh)、點云(Point clouds)等顯式表示，以及NeRF(Neural radiance fields，神經(jīng)輻射場)等隱式表示，還包括體素(Voxel grids，3D空間中的像素)這類混合表示，其中NeRF具有強大的三維表達能力和潛在的廣泛應(yīng)用范圍，是3D數(shù)據(jù)表征的關(guān)鍵技術(shù);

3D數(shù)據(jù)集：包括3D數(shù)據(jù)(數(shù)據(jù)量和精度有限)、多視角圖片(用途最為廣泛)、單張圖片(使用仍具有較大難度)等。目前3D對象數(shù)據(jù)集仍然稀缺，代表性的數(shù)據(jù)集包括ShapeNet(Chang等，2015)構(gòu)建了5.1萬個3D CAD模型，為3D數(shù)據(jù)集的充實做出開創(chuàng)貢獻;Deitke等(2023)構(gòu)建了Objaverse和Objaverse-xl數(shù)據(jù)集，分別有80萬和1000萬個3D對象;

3D生成模型：前饋生成(通過前向傳遞中直接生成結(jié)果)、基于優(yōu)化的生成(每次生成需要迭代優(yōu)化)、程序生成(根據(jù)規(guī)則創(chuàng)建3D模型)、生成式新視圖合成(生成多視角圖像);

3D應(yīng)用：包括3D人生成、3D人臉生成、3D物體生成、3D場景生成等應(yīng)用。

多模態(tài)大模型的音頻模型

語音相關(guān)的AI技術(shù)在過去多年中已經(jīng)較為成熟，但近年來Transformer大模型在AI音頻領(lǐng)域的投入應(yīng)用，還是成功推動了相關(guān)技術(shù)再上臺階，實現(xiàn)更優(yōu)的音頻理解和生成效果，其中重點的項目成果包括Whisper large-v3、VALL-E等。語音技術(shù)沿革可分為三階段，深度學習驅(qū)動發(fā)展加速。語音技術(shù)主要向增強泛化能力的方向持續(xù)延伸，Transformer架構(gòu)引領(lǐng)語音技術(shù)迭代浪潮。泛化能力是指模型對于未經(jīng)訓練的數(shù)據(jù)的適應(yīng)能力，技術(shù)基礎(chǔ)來自具有強大學習能力的網(wǎng)絡(luò)架構(gòu)和大量多樣化的數(shù)據(jù)訓練。語音模型泛化能力的增強主要體現(xiàn)在：從覆蓋單一語種到多語種和方言，從處理人聲到自然聲音、音樂，從簡單語音識別或合成到零樣本學習和多任務(wù)集成。

Omni模型是利用neural audio codec，主要是對音頻進行編碼以實現(xiàn)音頻合成。文本和聲波會先分別進入embedding和adapter進行編碼，再通過Omni模型進行合成和預(yù)測音頻的token，最后通過擴散模型進行訓練，量化再用解碼器合成音頻。

更多本行業(yè)研究分析詳見前瞻產(chǎn)業(yè)研究院《全球及中國多模態(tài)大模型行業(yè)發(fā)展前景與投資戰(zhàn)略規(guī)劃分析報告》

同時前瞻產(chǎn)業(yè)研究院還提供產(chǎn)業(yè)新賽道研究、投資可行性研究、產(chǎn)業(yè)規(guī)劃、園區(qū)規(guī)劃、產(chǎn)業(yè)招商、產(chǎn)業(yè)圖譜、產(chǎn)業(yè)大數(shù)據(jù)、智慧招商系統(tǒng)、行業(yè)地位證明、IPO咨詢/募投可研、專精特新小巨人申報、十五五規(guī)劃等解決方案。如需轉(zhuǎn)載引用本篇文章內(nèi)容，請注明資料來源（前瞻產(chǎn)業(yè)研究院）。

更多深度行業(yè)分析盡在【前瞻經(jīng)濟學人APP】，還可以與500+經(jīng)濟學家/資深行業(yè)研究員交流互動。更多企業(yè)數(shù)據(jù)、企業(yè)資訊、企業(yè)發(fā)展情況盡在【企查貓APP】，性價比最高功能最全的企業(yè)查詢平臺。