📚 AI 每日一课 #15：多模态——给 AI 装上眼睛和耳朵 ① 核心概念 前面的 14 课，AI 都是"只识字"的：你打字问，它打字答。可现实世界里，照… · @RachelRifx · TwKit

@RachelRifx

📚 AI 每日一课 #15：多模态——给 AI 装上眼睛和耳朵 ① 核心概念 前面的 14 课，AI 都是"只识字"的：你打字问，它打字答。可现实世界里，照片、语音、视频才是信息的大头。多模态（Multimodal） 就是让一个模型同时理解文字、图像、音频、视频等多种"模态"。 说人话：AI 给眼睛、耳朵各配了一个"翻译官"。看图时，视觉模块把图片翻译成模型能懂的"内部语言"；听语音时，音频模块把声音先变成文字再理解。最后所有信息在同一个"大脑"里会合——所以你可以发一张图，问"这图里有什么问题"，它看完再用文字跟你讨论。 ② 举个例子 打开冰箱拍张照发给 AI："看看里面有啥，今晚做顿饭，给我个菜谱。"它认出鸡蛋、西红柿、剩米饭，回你"番茄炒蛋盖浇饭，鸡蛋先打散……"——它"看"了照片、"读"了你的文字，合在一起办事。再比如把一段 10 分钟的会议录音丢给它，它转成文字、提炼出 3 条待办。以前这要三个 App，现在一次对话搞定。 ③ 行动建议 今天就试一次"不打字"：找个你常用的 AI，直接拍张照或发段语音过去，看它能不能接住。你会发现，AI 的能力边界早就不是"聊天框"了。 📌 一句话总结：多模态 = 一个大脑，多种感官——看、听、读，一起上。

曝光 32 · 评论 0 · 点赞 0 · 书签 0