去年多模态大模型特别火。说什么AI不仅能读文字，还能看图、看视频。我兴冲冲试了好几个产品，说点真实感受。

先说看图。你给它一张图，问它这是什么。简单的图——一只猫、一杯咖啡、一栋楼——它能答对。但你给它复杂一点的图，它就开始胡说八道了。

有次我给它看一张产品截图，问它"这个按钮是干什么的"。它说这是"搜索按钮"。我一看，那明明是个"提交订单"按钮。它连图里的文字都认错了，更别说理解界面逻辑。

看视频就更离谱了。

你给它一段视频，问它"这个视频讲了什么"。它给你编一段看起来挺像那么回事的描述，但细节全错。视频里人物穿的什么衣服、说了什么话、做了什么动作，它都说不准。

有次我给它看一段30秒的产品演示视频，问它"这个产品有什么功能"。它给我列了五个功能，其中三个是它自己想象出来的。视频里根本没有。

这就是多模态AI现在的问题：它能"看到"像素，但它不"理解"内容。它知道图里有什么颜色、什么形状，但它不知道这些东西之间的关系是什么。

那多模态AI到底能干什么？

简单的场景它能用。比如你给它一张表格截图，它帮你把表格里的文字读出来。这个确实有用——以前你得手动打字，现在它帮你识别。

还有你给它看一张海报，它帮你把海报上的文字提取出来。这个也不错。

但你让它"理解"一张图里的逻辑关系——比如这个流程图哪个环节出了问题、这个界面用户会怎么操作——它现在还做不好。

我估计再过一两年，多模态AI会成熟很多。但现在嘛，当玩具玩玩可以，真拿它做需要理解力的工作还早。

别被发布会吹的牛骗了。演示视频里它什么都能做，你自己用的时候才发现不是那么回事。

说个更具体的例子。有次我用多模态AI帮我整理发票。我拍了一张发票照片，让它帮我提取金额、日期、发票号。这个它做得不错——基本能读对。

但我让它帮我判断这张发票合不合规——抬头对不对、税号有没有、章盖没盖——它就开始瞎说了。它说"这张发票信息完整"，但我一看，发票上根本没盖财务章。它看不到这个，因为它不理解"合规"是什么意思。

这就是多模态AI和人的区别。人看一张图，不仅看到了像素，还理解这张图背后的规则和逻辑。AI现在只能看到像素，看不到逻辑。

所以现在多模态AI最靠谱的应用就是"识别"——把图里的文字读出来、把表格里的数据提取出来。这些它做得好。但让它"判断"和"理解"，还差得远。

等它真的能看懂图里的逻辑了，那才是真的革命。现在嘛，就是个高级OCR工具。