多模态AI崛起：当AI能同时看懂文字、图片和视频

它不应该只会聊天，还能看懂你发的照片；不应该只会识图，还能理解照片里的情绪；不应该只会看视频，还能听懂视频里的人在说什么。它应该像人一样，能同时处理多种信息——文字、图片、声音、视频，把它们融合在一起理解。