在当下，多模态融合已成为 AI 领域的高确定性趋势。这一趋势的形成，与大语言模型的局限性密切相关。尽管大语言模型在自然语言处理方面取得了显著进展，但在面对复杂多样的现实世界数据时，其短板逐渐显现。
多模态AI应用市场未来增长或实现五年五倍
而通过多模态融合技术还可以让 AI 系统能够像人类一样，从多个维度感知和理解世界。例如，当我们向多模态AI 描述 “一只在花丛中飞舞的蝴蝶”时，多模态 AI 不仅能理解文本含义，还能生成对应的生动图像，甚至模拟出蝴蝶飞舞时的轻柔音效。
因此，多模态融合技术的应用场景极为广泛。在教育领域，它能为学生打造个性化的学习体验，结合文本讲解、图像演示和音频讲解，让知识传授更加生动形象；在娱乐行业，可实现更逼真的虚拟角色互动，虚拟偶像不仅能与用户流畅对话，其表情和动作也能与对话内容完美匹配；在智能家居中，用户通过语音指令，结合手势或面部识别，就能轻松控制家电设备，为生活带来极大便利。
市场空间上，根据全球性市场研究和咨询公司 Omdia的研究报告显示，多模态市场AI将在五年内增长五倍，从 2024 年的 146 亿美元(1060 亿元人民币左右)增长到 2029 年的 728 亿美元(5300亿元人民币左右)。
多模态AI海外代表企业：OpenAI、谷歌
面对广阔的市场空间，国内外有许多公司都在布局相关领域。在海外市场上，代表企业是OpenAI和谷歌。
OpenAI方面，其旗下Sora 的出现意义重大，是视频生成领域的一个重要转折点。Sora 展示了利用 DiT 可扩展架构的有效性，吸引了全球同行们快速跟进，推动视频生成从学术研究到工业级应用的重大跨越。
谷歌方面，2024年12月，谷歌发布了全新多模态大模型——Gemini 2.0，被称为“迄今为止谷歌最强大的AI模型”。与1.0版本相比，Gemini 2.0在多模态能力上实现了突破，支持图像和音频输出，并增强了工具使用能力，这将推动谷歌构建新的AI智能体，进一步实现“通用助手”的愿景。
多模态AI国内代表企业：万兴科技
对于国内投资者而言，可能更关注的是国内企业。在一众相关企业中，笔者认为万兴科技(300624.SZ)或许有望成为行业代表者。
这一判断的依据首先在于其足够聚焦，有稀缺优势。正所谓专业的人做专业的事，虽然国内做文生视频模型的企业有很多，但是专注于做创意类音视频模型及AI应用的A股上市企业屈指可数。万兴科技此前推出了国内首个音视频多媒体大模型万兴“天幕”，涵盖语言、音频、图像、视频等多模态能力。同时，万兴科技构建了一个矩阵式的数字创意软件产品创新平台，从技术、营销到管理赋能，较为全面地支持创作者。因此，万兴科技在业内具有一定的稀缺性。
第二个依据是万兴科技的先发优势。在日新月异的AI行业，谁能率先做出改变，谁就能抢占先机。面对DeepSeek带来的行业变化，万兴科技率先做出改变。具体来看，2月4日，万兴科技率先完成深度求索(DeepSeek)最新推理大模型DeepSeek-R1的深入适配，旗下视频创意、绘图创意及文档创意软件业务产品，诸如万兴喵影、亿图图示、亿图脑图MindMaster、万兴PDF等均已融合DeepSeek-R1大模型相关能力。
第三个依据是万兴科技的价值优势。公司的产品抓住了用户痛点、实实在在地为客户创造价值。以公司旗下产品万兴播爆为例，其就是洞察到跨境营销视频制作外籍演员难找、多语言难适配、视频制作周期长成本高等痛点而推出，大幅缩短了制作周期，降低了制作成本和门槛。而产品好不好用户数量最有发言权，公开资料显示，万兴科技业务已覆盖全球200多个国家和地区，累计用户数超15亿。
第四个依据是万兴科技的数据优势。目前包括Sora、MidJourney等在内的大部分视频/图像生成模型，都主要是以海外数据进行训练，对中国元素的生成仍旧不尽如人意。而万兴“天幕”大模型依托大量本土化数据，能够更好地理解和生成符合用户期望的音视频内容，满足本土内容创作的需求。
对于公司的行业地位和未来，机构们也表达了看好。例如，平安证券指出公司深耕视频创意与数字办公业务，产品线对标全球创意软件巨头，同时面对当下AIGC多模态领域的机遇，公司持续加深核心产品智能化，多款产品在业内率先实现AI应用落地，将为公司后续业务增长奠定基础。
