WAIC五位首席科學家交鋒：多模態是LLM的“外掛”，還是下一代智能的“靈魂”？

在近日舉行的世界人工智慧大會（WAIC）上，五位首席科學家針對多模態技術與大型語言模型（LLM）的發展方向展開了一場激烈交鋒。這場討論的核心命題直指當前AI領域最受關注的焦點：多模態究竟是LLM的一個「外掛」工具，還是下一代人工智慧系統中不可或缺的「靈魂」？與會專家從不同技術路徑與應用場景切入，試圖釐清多模態在AI進化藍圖中的定位，也反映出學術界對未來智慧形態的深刻分歧。一部分科學家主張，當前的多模態能力更像是為LLM附加的感知擴展。在他們的觀點中，LLM本身以文字為核心，擅長處理語義、邏輯與知識推理，而多模態模組則像是為模型裝上「眼睛」與「耳朵」，讓它得以處理文字以外的影像、聲音與影片資訊。

這種擴展能大幅提升模型的實用性與互動體驗，例如讓聊天機器人看懂圖片中的物體、聽懂語音指令，或根據影片內容生成描述。從這個角度來看，多模態並非改變LLM的本質，而是為其提供更豐富的輸入與輸出介面，是一個強大的「外掛」。然而，另一派科學家則持截然不同的立場。他們從人類認知的本質出發，認為真正的智慧必須融合多種感知通道。人類並非僅靠文字理解世界，而是同時透過視覺、聽覺、觸覺等多種感官來建構認知。因此，多模態不該只是輔助插件，而應成為未來模型架構的核心設計邏輯。

這派觀點主張，下一代AI系統若想真正貼近人類智慧，就必須從底層設計就融入多模態訊號的處理，讓視覺、聽覺與語言等模態相互交織、彼此增強，而不是事後才加上一個感知模組。雙方在會上透過具體案例與前瞻預測，呈現出技術路線上的深刻分歧。舉例來說，支援「外掛」觀點的科學家展示了如何在不改變LLM核心架構的情況下，透過外部視覺編碼器讓模型完成圖片問答、文件理解等任務，且效果顯著。而支持「靈魂」觀點的科學家則提出，若從一開始就設計多模態聯合訓練的架構，模型能在更少的資料下學會跨模態的抽象概念，例如理解「紅色圓形水果」這個概念時，同時關聯文字描述、圖片中的蘋果形象與咬一口的聲音，從而產生更豐富的語意表徵。

這場交鋒不僅反映了學術界對AI發展方向的不同理解，也點出了產業在落地多模態應用時可能面臨的取捨。若將多模態視為「外掛」，企業可以快速為現有LLM產品增加多模態功能，降低開發成本與時間，但可能受限於模組間的耦合度，無法充分發揮多模態的潛力。反之，若選擇從底層重構為多模態原生架構，雖然可能帶來更強大的智慧表現，卻需要投入大量資源重新訓練模型，且目前多模態資料的標註與對齊技術仍未完全成熟，短期內商業化難度較高。無論最後哪種觀點勝出，這場對話都凸顯了多模態技術在LLM演進過程中的關鍵地位。

隨著GPT-4V、Gemini等多模態模型接連問世，產業界與學術界都已意識到，單純的文字模型已難以滿足日益複雜的應用需求。從自動駕駛、醫療影像診斷到智能客服，多模態能力正逐步成為AI系統的標配。而WAIC上五位首席科學家的這場交鋒，正好為業界提供了一次難得的思辨機會：我們究竟應該在現有LLM上疊加多模態能力，還是從零開始設計一個真正融合多種感知的智慧體？值得注意的是，雙方並非完全對立。有科學家在討論中提出折衷觀點，認為短期內可先以「外掛」方式快速落地，累積多模態應用的經驗與資料，長期則應逐步向多模態原生架構遷移。這種務實路線或許正是產業界在技術演進過程中採用的典型策略。

無論如何，這場交鋒的價值在於，它迫使學術界與產業界正視多模態技術的本質問題，而非僅僅停留在應用層面的追逐。從更宏觀的角度來看，多模態究竟是「外掛」還是「靈魂」，其實也反映了人工智慧發展的兩種哲學：一種是工具論，強調AI作為人類能力的延伸；另一種是認知論，追求AI建構出類似人類的感知與理解。這兩種路線在未來相當長一段時間內將並行發展，並在競爭與融合中推動AI技術的邊界。而WAIC的這場對話，無疑為所有關注AI進化的人們，提供了一個深度思考的起點。