华福证券：计算机：多模态，AI大模型新一轮革命

多模态推动人工智能迈向AGI，底层技术日臻成熟 相比单模态，多模态大模型同时处理文本、图片、音频以及视频等多类信息，与现实世界融合度高，更符合人类接收、处理和表达信息的方式，与人类交互方式更加灵活，表现的更加智能，能够执行更大范围的任务，有望成为人类智能助手，推动AI迈向AGI。就技术架构而言，多模态技术可拆解为编码、对齐、解码与微调等步骤，逐步挖掘多模态关联信息，输出目标结果。文生图CLIP模型为最先成熟的多模态技术，目前，多模态已不再局限于图文两层信息。例如，Meta-Transformer可同时理解并处理12种模态信息。 OpenAI谷歌开启多模态军备竞赛，Sora和Gemini各领风骚 海外龙头具备先发与技术优势，引领多模态大模型前进方向：1）OpenAI近期密集剧透GPT-5，相比GPT-4实现全面升级，重点突破语音输入和输入、图像输出以及最终的视频输入方向，或将实现真正多模态；此外，2月发布文生视频大模型Sora，能够根据文本指令或静态图像生成1分钟的视频，其中包含精细复杂的场景、生动的角色表情以及复杂的镜头运动，同时也接受现有视频扩展或填补缺失的帧，能够很好地模拟和理解现