那时候的 AI 是单科生：会看图的一直在认图——一圈圈做「卷积、池化」，把图像变成特征；会读字的一直在读字。两边语言不通，谁也说不清对方看到了什么。

OpenAI 的 CLIP 想了个办法：拿 4 亿组「图片 + 说明」一起练。练完以后，图和字被放进同一张「地图」——意思相近的就靠在一起，它第一次把「看到的」和「说出的」对上了。

有了这本事，「文生图」就顺理成章了：你描述「一只戴宇航员头盔的橘猫，在月球上吃冰淇淋」，它就把这句话变成一幅画——这幅画以前从没在世界上出现过。

2022 年夏天，画图工具开始「出圈」：Midjourney 开放使用，Stable Diffusion 干脆把模型开源——下载到自己电脑上就能跑。会打字的人，都能当「画师」。

同年 9 月，OpenAI 开源了 Whisper：先把声音切成一小段一小段（变成频谱图），再转成文字。开会录音、外语视频、课堂笔记，它都能自动听写成文字。

2023 年，AI 不再只会读一种东西：文字、图片、声音、视频可以一起进来。拍一张照片问它「这是什么花」，它认得出；给它一段音乐，它能说出是欢快还是忧伤。它第一次像人一样「多感官」地理解世界。

2024 年 2 月，AI 又跨了一步：给一句话，它能生成一段会动的视频（这就是「文生视频」，下一站细讲）。到这一步，它不只看得见、听得见，还能把画面「造」出来——风吹过、人走动、镜头推进，都能按你说的来。

今天，多模态 AI 已经走进很多行业：帮医生看片子、帮设计师出草图、帮农民认病虫害、帮我们翻译图片上的外文。你脑海里的奇思妙想，说一句话就能变成看得见的画面——这就是它带来的最大变化。