近期，多模态大模型进展不断。谷歌推出多模态大模型Gemini 1.0，支持输入文本、图像、音频和视频，输出图像和文字。彭博社最新一期 “Power On”透露，苹果计划在6月份的全球开发者大会（WWDC 2024）上 推出一系列基于生成式人工智能的工具。新加坡国立大学NExT++实验室和清 华大学联手打造了一个可以同时进行对话和检测、分割的多模态模型 NExT Chat，扩展了多模态大模型的区域理解能力。我们认为多模态大模型的快速发 展将提升人形机器人的智能化水平，加快人形机器人产业化进程，24 年有望 成为量产元年。

过去两年间，人工智能发展迅猛：技术上， 从语音控制、 人脸识别等单点技术应用，向融合视觉、 语音、 语义的多模态计算发展；应用上，人工智能的历史变革力量正加速渗透各行各业，从产品服务，到生产、 运营， 再到决策，在降低成本、 风险，缩短流程， 带来增值收入， 提高生产效率等方面发挥效能；政策上，人工智能也上升至国家战略地位， 相关政策频出， 从国家层面鼓励产业发展。 技术发展、 应用落地、 政策支持三驾马车共同驱动人工智能的高速发展。

大模型技术飞速发展，从架构演进统一到训练方式转变，再到模型高效适配，大模型技术引起机器学习范式的一系列重要革新，为通用人工智能发展提供了一种新的手段。由单一模态的语言大模型到语言、视觉、听觉等多模态大模型，大模型技术融合多种模态信息，实现多模态感知与统一表示，也将和知识图谱、搜索引擎、博弈对抗、脑认知等技术融合发展，相互促进，朝着更高智能水平和更加通用性方向发展。