近期，华泰证券发布了一份深度研究报告，聚焦于多模态大模型及其应用的迅猛发展，指出该领域正迅速接近一个关键转折点。
报告详细分析了多模态大模型的发展动态，强调这是大语言模型（LLM）演进的必然趋势。尽管LLM在文本处理方面表现出众，但为了拓宽应用场景，研究者正积极将其他模态能力融入，从而催生了多模态大型语言模型（MLLM）。MLLM主要分为模块化架构与原生架构两类，其中原生架构因能在全模态数据上同步训练，展现出在性能和效率上的显著优势，不过对算力和技术要求也更为严苛。目前，以OpenAI和Google为代表的行业巨头在这一领域处于领先地位。
从商业化角度来看，全球范围内多模态应用的进展呈现出海外快于国内、一级市场公司快于二级市场公司、多模态产品快于文本产品的趋势。海外Chatbot类产品，如OpenAI和Anthropic，已经实现了超过10亿美元的年化收入（ARR），相比之下，国内Chatbot的商业化进程尚显稚嫩。然而，国内年收入超过1亿美元的AI公司大多聚焦于多模态产品，如美图、快手和睿琪软件等。
特别是在视频生成领域，国内企业表现出色。字节的Seedance 1.0、快手的可灵（Kling）以及MiniMax Hailuo 02等产品，在文生视频、图生视频等多个榜单中名列前茅。以快手可灵为例，该产品上线仅约10个月，ARR就突破了1亿美元大关，标志着国内视频生成领域实现了从单点突破到多点突破的跨越。
多模态产品持续迭代升级，图像生成从追求高质量逐渐转向提升易用性，视频生成则在时长、清晰度和一致性等方面不断取得突破。同时，语音、音乐、3D等领域的产品也在积极拓展应用场景。原生多模态模型的普及与Agent形态的落地，进一步推动了算力需求的增长，而应用侧在广告、零售、创作等领域的AI化需求也在持续释放。
报告中还提到，随着技术的不断迭代和商业化落地的加速，多模态大模型正逐渐成为行业的核心发展方向。图像、视频、语音等多模态数据的融合处理，将极大地拓宽AI的应用场景，推动其在更多领域实现规模化应用。
华泰证券的这份报告，不仅为行业提供了关于多模态大模型及其应用的最新洞察，也为相关企业和投资者指明了未来的发展方向。可以预见，随着技术的不断进步和应用场景的不断拓展，多模态大模型将在更多领域发挥重要作用。
