人工智能正在從文本、語音、視覺 等單模態(tài)智能，向著多種模態(tài)融合的通用人工智能方向發(fā)展。多模態(tài)統(tǒng)一建模， 目的是增強(qiáng)模型的跨模態(tài)語義對(duì)齊能力， 打通各個(gè)模態(tài)之間的關(guān)系，使得模型逐 步標(biāo)準(zhǔn)化。目前，技術(shù)上的突出進(jìn)展來自于 CLIP（匹配圖像和文本）和 BEiT-3 （通用多模態(tài)基礎(chǔ)模型）。基于多領(lǐng)域知識(shí)，構(gòu)建統(tǒng)一的、跨場(chǎng)景、多任務(wù)的多 模態(tài)基礎(chǔ)模型已成為人工智能的重點(diǎn)發(fā) 展方向。未來大模型作為基礎(chǔ)設(shè)施，將 實(shí)現(xiàn)圖像、文本、音頻統(tǒng)一知識(shí)表示， 并朝著能推理、能回答問題、能總結(jié)、 做創(chuàng)作的認(rèn)知智能方向演進(jìn)。