近期，华泰证券出炉的一份深度研究报告，将焦点对准了多模态大模型的蓬勃发展及其广泛的应用前景，指出该领域正快速逼近一个重要的转折点。
该报告深入剖析了多模态大模型的最新进展，认为这代表着大语言模型（LLM）演进的必然趋势。尽管LLM在文本处理领域表现出色，但为了进一步拓展应用场景，研究者正积极探索将其他模态能力融入其中，于是多模态大型语言模型（MLLM）应运而生。MLLM主要分为模块化架构和原生架构两大类，其中原生架构由于在全模态数据上能同步训练，展现出了性能和效率上的明显优势，不过对算力和技术的要求也更为严格。目前，在这一领域，以OpenAI和Google为代表的行业巨头处于领先地位。
从商业化的视角来看，全球范围内多模态应用的进展呈现出一定的差异，海外的发展速度明显快于国内，一级市场公司快于二级市场公司，多模态产品的商业化进程也领先于文本产品。海外的Chatbot类产品，例如OpenAI和Anthropic，已经实现了超过10亿美元的年化收入（ARR），而相比之下，国内Chatbot的商业化进程尚处于初级阶段。然而，值得注意的是，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，例如美图、快手和睿琪软件等。
在视频生成领域，国内企业的表现尤为亮眼。字节的Seedance 1.0、快手的可灵（Kling）以及MiniMax Hailuo 02等产品，在多个文生视频、图生视频的榜单中名列前茅。以快手的可灵为例，该产品上线仅约10个月，ARR就突破了1亿美元大关，这标志着国内视频生成领域实现了从单一突破向多点开花的转变。
多模态产品正在不断迭代升级，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、清晰度和连贯性等方面不断取得新进展。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和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化需求也在不断释放。
报告中还指出，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，将极大地扩展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，为行业提供了关于多模态大模型及其应用的最新见解，也为相关企业和投资者指明了未来的发展方向。多模态大模型凭借其强大的融合处理能力和广泛的应用前景，正在成为推动行业发展的重要力量。
