在AI 2.0时代，模型与应用已密不可分。应用场景推动模型发展，而大模型通过差异化创新来突破各种垂直领域的需求。

多模态被看作是一个必然的趋势，也是商汤大模型的“关键词”。近日，商汤技术交流日上发布的“日日新SenseNova V6”，就是一个涵盖通用模型、推理模型、视频理解模型及全模态交互模型的体系。

“从我们的角度来讲，商汤从视觉能力延伸到原生多模态模型是一个非常自然的延伸。”日前，商汤科技董事长兼CEO徐立在商汤技术交流日的演讲中表示，“从行业的发展趋势来看，我们也看到一些潜在的提示点。”

目前，业界对推理能力的关注主要在数理求解等纯文本推理任务上，但要实现推理能力在更广泛场景的落地，就需要多模态和推理的紧密结合。

国际科技巨头正加速布局多模态大模型领域，这一趋势在近期密集发布的新品中体现得尤为明显——无论是谷歌推出的Gemini 2.0、OpenAI发布的GPT-4.5，还是Meta最新开源的Llama 4，都在显著提升原生多模态能力。这些突破性进展表明，通过实现更广泛、更深度的信息交互与整合，多模态大模型正在为用户创造更完整、更丰富的场景价值。

未来，AI大模型的竞争焦点将从技术参数转向应用深度，其核心竞争力将体现在它能否理解人类情感、记忆交互上下文，并在教育、医疗、工业等场景中提供“好用”而非“能用”的解决方案。

据Epoch AI预测，到2028年，互联网上所有高质量的文本数据都将被使用完毕，机器学习数据集可能会在2026年前耗尽所有“高质量语言数据”。这意味着，如果以当前趋势继续下去，数据将成为大型语言模型（LLM）的重大瓶颈。

不过，在徐立看来，这并不意味着整个知识体系都被消耗完。他认为，有很多的知识都蕴藏在大量的图像、视频，甚至3D等其他模态中。但到目前为止，还没有完全地把这些知识真正用来提升原来的文本，甚至是智力的能力。“因为模态的融合没有做到那么好。”

“关于多模态模型的训练，其计算架构比纯文本模型更为复杂。”商汤科技联合创始人兼大模型首席科学家林达华向21世纪经济报道记者表示。

具体来说，文本处理通常包含编码和解码两个阶段，而多模态训练还需要额外处理视频和图像数据的编码阶段。此外，多模态模型还涉及不同模态之间编码方式的协调与选择问题，这进一步增加了模型设计和训练的复杂度。

沙利文大中华区执行总监崔楠也向记者表示，多模态大模型的训练不仅需要大量计算资源，而且训练时间长、效率低。