科技行业深度研究：多模态大模型和应用奇点将至.pdf

科技行业深度研究：多模态大模型和应用奇点将至。我们认为，多模态大模型和应用发展的奇点将至。判断依据包括：1）技术 进步方面：原生多模态模型架构得到业界认可，OpenAI 和 Google 的原生 多模态模型已经在性能、延时、部署上展现出了优势。2）商业化进展方面： 全球维度看，除了最头部的 OpenAI 和 Anthropic 依靠模型“智能”实现商 业化，相当一部分 AI 应用公司的商业化产品依赖多模态能力。国内维度看， 国内公司在视频生成赛道已经实现了较成熟的全球化和商业化之路。与市场 不同的观点在于，1）更早认识到原生多模态架构将成为主流；2）AI 商业 化不能仅聚焦在二级公司，更要关注全球维度一级公司的进展。

多模态是大语言模型（LLM）发展的必然趋势

借助 Scaling Law 和强化学习，LLM 已经在很多领域获得了超过普通人类的 智能，但是其处理的核心信息仅是文本。为了拓展更广泛的使用场景，研究 者将其他模态的能力“加入”到 LLM 中，多模态大型语言模型（MLLM）问 世。架构上看，MLLM 可以分为模块化架构和原生架构，前者通常分别训练 不同模态然后实现模块“拼接”，而后者则直接在全部模态数据上从头开始 同步训练的模型。效果上看，原生 MLLM 在性能、延时、部署上均有优势， 但是对算力和 Know-How 的需求较高，通常只有头部模型大厂在做，OpenAI 和 Google 领先。无论架构如何，MLLM 已经成为行业共识的必然趋势。

从大模型到多模态：商业化的必由之路

从全球 AI 公司的商业化进展看，无论是基于 LLM 的文本类产品，还是基于 MLLM 的多模态产品，呈现出以下大趋势：1）海外商业化进展快于国内。2） 全球维度，一级公司进展快于二级。3）整体多模态为主的产品商业化快于 文本产品。4）Chatbot 为代表的文本类产品国内外商业化分歧明显，据非 凡产研数据，截至 25 年 5 月，在海外能够实现 10 亿美金以上的 ARR（如 OpenAI、Anthropic），而国内 Chatbot 还未实现很好的商业化。国内 AI 产品年化收入超过 1 亿美金的有 3 家公司，分别为美图（1357 HK）、快手 （1024 HK）和睿琪软件（非上市），其 AI 产品均为多模态产品。

国内的视频生成是全球化、商业化最成熟的 AI 应用赛道

主流的多模态产品，大致分为图像生成、视频生成和其他多模态交互三类。 其中，国内厂商在视频生成赛道的全球化和商业化最成熟。1）模型/产品成 熟：据 Artificial Analysis 数据，在文生视频、图生视频排行榜单上，字节 Seedance 1.0 均为 Top 1，快手可灵（Kling）、MiniMax Hailuo 02 名列前 茅。2）商业化成熟：以快手可灵为典型的代表，上线 9 个月累计收入超 1 亿人民币，25Q1（上线 10 个月左右）ARR 突破 1 亿美金大关。可灵的成 功，或意味着国内视频生成领域商业化单点突破到多点突破的开始。