什么是多模态 AI？文生图、文生视频的原理是什么？

多模态就是让模型同时处理文字、图像、音频、视频。原理上，不同模态的数据会被各自编码成向量，映射到同一个语义空间里，模型就能跨模态理解——比如看图说话、根据文字生成图片。文生图（如 Stable Diffusion、Midjourney）走的是扩散模型路线：从纯噪声一步步去噪成图片；文生视频则是在此基础上加入时间维度，还要保证帧与帧之间动作连贯，难度更高。2026 年的趋势是原生多模态模型（GPT-4o、Gemini 这类）一个模型通吃多种输入。