多模态模型重塑AI技术范式
　　多模态模型通过融合语言模态与图像模态，将语言模态包含的文本理解与思维链能力投射在图像模态上，赋予了模型图像理解与生成功能。从AI技术范式来看，多模态技术通过预训练+调参的方式颠覆了传统机器视觉小模型CNN高度定制化的业务模式，模型的泛用性大幅度提高。从AI商业模式来看，产业的话语权逐渐由应用端走向研发端，即改变了之前完全由客户定夺市场转向由技术定义市场。多模态模型的核心目标是模拟人类大脑处理信息的方式，技术路径是从大语言模型到图像-文本模型再泛化到其他模态的细分场景模型。与大语言模型相比，多模态模型扩大了信息输入规模、提高了信息流密度、突破了语言模态不同语种的限制；与传统机器学习模型相比，多模态模型具备较高的可迁移性，且可以做到内容生成与逻辑推理。
　　语言-图像模型一般包含6大任务：表征、对齐、推理、生成、迁移、量化
　　图像-语言多模态模型一般包含6大任务：表征、对齐、推理、生成、迁移、量化，其中对齐任务的重要性最高，也是当前多模态模型训练的主要瓶颈。1）表征：研究如何表示和总结多模态数据，以反映各个模态元素之间的异质性和相互联系；2）对齐：旨在识别所有元素之间的连接和交互；3）推理：旨在从多模态证据中合成知识，通常通过任务的多个推理步骤；4）生成：包括学习生成过程，以生成反映跨模态交互、结构；5）迁移：旨在将高泛化性的模型通过调参的方式适应各种垂类场景；6）量化：旨在通过研究模型的结构和工程化落地方式，更好地理解异质性、模态互联和多模态学习过程。
　　产品陆续发布，应用落地加速
　　9月25日，OpenAI开放了GPT-4多模态能力。图像能力基于GPT-4 Vision模型，可以理解并解释图像内容，同时具备上下文回溯能力。在长期打磨后OpenAI才开放了GPT-4的多模态能力。这代表应用落地的门槛目前不是技术限制，而是在于模型打磨和场景挖掘，长期打磨的GPT-4多模态能力具备较高的鲁棒性，安全性已达到商用标准，产品或有较高的成熟度。由此推测GPT-4多模态模型的应用落地或许可以更乐观。9月21日，OpenAI发布了DALLE-3文生图模型。相比2022年4月发布的DALLE-2，DALLE-3理解图像细微差别和细节的能力大幅度提高，生成的图像包含更多细节，更符合prompt描述。DALLE-3深度整合了ChatGPT模型，用户可以直接通过自然语言与DALLE-3交互。文生图应用门槛大幅度降低。
　　场景匹配度提升，核心赛道有望快速渗透
　　图像模态与物理世界更加贴切，信息密度更高，应用门槛更低，更符合人机交流习惯。随着GPT-4多模态能力放开，多模态模型应用有望快速落地。多模态模型大幅度提高了场景匹配度，有望在医疗、教育、办公、工业等场景快速渗透，其高实用性的特质或催生大批爆款应用。因此建议关注核心场景多模态应用落地节奏。多模态模型或带动新一轮军备竞赛。当前算力仍是阻碍AI模型训练端与推理端的主要瓶颈之一，多模态模型落地有望催生AI公司开启新一轮算力端的军备竞赛。因此建议关注英伟达链配套厂商与华为昇腾链厂商。多模态大模型合并了人形机器人感知与决策模块，有望实现人形机器人“端到端”的方案，建议关注人形机器人相关标的。
　　风险提示
　　1、人工智能技术发展不及预期；
　　2、人工智能下游应用需求不及预期。