多模态这件事我的判断是：把几个模态拼在一起没多大意义，谁先把“跨模态的意图”统一起来，谁才算真的动了内容创作的根子。
这个念头是听AICon北京站一场分享时冒出来的，讲多模态大模型驱动的内容创作范式，讲者是智象未来的联合创始人姚霆。会议内容我不展开，我更想掰扯的是“范式革命”这四个字到底背不背得动。
从做产品的角度说说为啥这么看。把文生图、文生视频塞进同一个产品，用户确实少切几个页面，但每个模态还是各听各的，你得分别给它们写指令，再自己把结果对齐。真正有价值的是另一种体验：你丢给模型一段文字、一张草图，再加一句语气上的要求，它能把这三样当成同一个意图去理解，然后统一输出。前一种只是工具变多了，后一种才是干活的方式变了。
现在大部分工具还停在前一种，各模态各干各的，拼接痕迹很重，中间对齐的活全落在用户身上，门槛自然下不来。
所以我不太在意谁又多接了一个模态，更想看谁能把意图这一层打通，而且做到工程上可用，能稳稳跑在实际生产里，不是只在演示里好看。到那一步，内容生产的门槛才算实实在在降下来。