现在的AI不仅能看懂文字，还能“看懂”图片、听懂声音、理解视频。给它一张X光片，它能分析病灶；给它一段监控视频，它能描述发生了什么；甚至你对着手机说一句“帮我找一下上次在动物园拍的那张老虎照片”，它也能从几千张图里翻出来。这种能力叫多模态，是AI从“读懂字”到“看懂世界”的关键一步。多模态到底是什么？本期