當?shù)貢r間1月28日，北京智源人工智能研究院的一項突破性研究成果在國際頂級學術(shù)期刊《自然》（Nature）上線，這是我國科研機構(gòu)主導(dǎo)的大模型成果首次在《自然》正刊發(fā)表。

　　2018年以來，GPT采用“預(yù)測下一個詞元（Next-token prediction，NTP）”的自回歸路線，實現(xiàn)了語言大模型重大突破，開啟了生成式人工智能浪潮。而擅長同時處理文字、圖片、視頻等多種形態(tài)信息的多模態(tài)模型主要依賴對比學習、擴散模型等專門路線。在此背景下，一個重要問題困擾行業(yè)數(shù)年：能否用一種簡單、統(tǒng)一的方法即自回歸路線，讓AI（人工智能）同時學會高效地處理文字、圖片和視頻？

　　智源這項名為“通過預(yù)測下一個詞元進行多模態(tài)學習的多模態(tài)大模型”的成果給出了肯定的答案。該成果表明，只采用自回歸路線，就可以統(tǒng)一多模態(tài)學習，訓(xùn)練出優(yōu)秀的原生多模態(tài)大模型，這對于確立自回歸成為生成式人工智能統(tǒng)一路線具有重大意義。

　　據(jù)了解，長期以來，AI在學習不同類型的“感官”信息時，往往需要“分科而治”——理解文字用一套方法，生成圖片用另一套，處理視頻又需要不同的專業(yè)模型，過程復(fù)雜且協(xié)同起來較為困難。而智源研究院研發(fā)的Emu3模型，借鑒了GPT成功的關(guān)鍵思路“預(yù)測下一個詞元”，成功統(tǒng)一了對文本、圖像及視頻的理解與生成能力。打個比方，就如同給AI找到了一個“萬能學習法”，無論面對的是一段文字、一張照片，還是一段動態(tài)影像，AI都用同一種邏輯去分析和創(chuàng)造。實驗表明，這種統(tǒng)一方法在圖片生成、圖文理解和視頻創(chuàng)作等多個任務(wù)上，達到了與當前各類專用模型相當?shù)乃?，且具備更強的擴展?jié)摿屯ㄓ眯浴?/p>

　　《自然》編輯點評這項研究時表示，基于“預(yù)測下一個詞元”，Emu3實現(xiàn)了大規(guī)模文本、圖像和視頻的統(tǒng)一學習，其在生成與感知任務(wù)上的性能可與使用專門路線相當，這一成果對構(gòu)建可擴展、統(tǒng)一的多模態(tài)智能系統(tǒng)具有重要意義。

　　值得一提的是，基于這一核心路徑的迭代版本Emu3.5模型，已展現(xiàn)出對物理世界運行規(guī)律的初步學習與模擬能力，能夠嘗試預(yù)測場景的下一步變化，為發(fā)展更通用、更接近人類認知方式的大模型與智能體奠定了基礎(chǔ)。

　　據(jù)悉，自2020年啟動“悟道”大模型研究以來，智源研究院持續(xù)聚焦大模型的原始創(chuàng)新與長期技術(shù)路徑探索。2025年6月，智源發(fā)布新一代大模型系列成果“悟界”，目標是構(gòu)建人工智能從數(shù)字世界邁向物理世界的關(guān)鍵能力，打造物理世界的人工智能基座模型。該系列模型包括：Emu系列多模態(tài)世界模型、RoboBrain跨本體具身大腦、數(shù)字孿生心臟、Brainμ腦科學多模態(tài)基礎(chǔ)模型以及OpenComplex全原子生命模型等，共同構(gòu)建起覆蓋宏觀具身智能、介于宏觀和微觀尺度的生命系統(tǒng)到微觀構(gòu)象動力學的多層次技術(shù)基座。（孫奇茹）