單模態(tài)以情感陪伴聊天機(jī)器人Glow為 代表的“數(shù)字人”為例，其已經(jīng)可以實(shí)現(xiàn)與真人的個(gè)性化、擬人化、智能化的聊天互動(dòng)，但交互 方式仍局限在文本、語(yǔ)音。未來(lái)，隨著多模態(tài)模型的發(fā)展，虛擬人或機(jī)器人的交互方式，有望拓 展至圖片、音樂(lè)乃至視頻，并以更貼近真人的邏輯、理解、表達(dá)能力進(jìn)行交流和反饋，從而提升 虛擬人在電商、直播、教育、客服、社交、文旅導(dǎo)覽等L域的互動(dòng)體驗(yàn)。

AI模型與應(yīng)用向多模態(tài)升J迭代。Vision Transformer模型、擴(kuò)散模型、BEiT模型等技術(shù)的迭代 ，實(shí)現(xiàn)了傳統(tǒng)單模態(tài)大模型中自然語(yǔ)言處理能力與計(jì)算機(jī)視覺(jué)能力的結(jié)合，以及大規(guī)模自監(jiān)督預(yù) 訓(xùn)練，由此使得大模型具備了理解、處理和生成圖片、音視頻等多模態(tài)的能力，催生了Open AI GPT-4、谷歌PaLM-E、百度文心一言等多模態(tài)大模型。多模態(tài)模型也帶動(dòng)了多模態(tài)應(yīng)用的誕生， 涉及代碼生成、文本生成、圖像生成、音視頻、游戲、虛擬人等L域。