以前的AI只能跟你聊文字，你给它一张图它根本看不懂。现在不一样了，多模态大模型来了，你扔给它一张图、一段视频，它能告诉你里面是什么。

我专门测了几个场景，说点真实结果。

场景一：看财报截图。

我截了一张上市公司的财报图，扔给AI，问它"这家公司今年营收增长了多少"。它准确找到了数字，还告诉我环比增长了几个百分点。这个以前要我自己对着表格找半天，现在两秒搞定。

但你要是给它一张特别复杂的图表，比如那种密密麻麻的行业分析图，它就开始瞎编了。数字张冠李戴，趋势也说错。

场景二：看商品图找问题。

我做电商的朋友让AI看产品图，问他"这张图有没有瑕疵"。AI居然真的看到了——包装盒左下角有个划痕，人眼不仔细看都注意不到。这对质检场景确实有用。

场景三：看视频。

这个目前还比较拉胯。我给它一段30秒的产品演示视频，问它"视频里产品展示了哪些功能"，它说了三个功能，其中一个根本没出现。视频分析现在还在早期，长视频基本不靠谱。

我的判断是这样的。

图片理解现在已经能用了，特别是简单的图表、截图、商品图。但视频分析还差得远，别抱太大期望。

这个技术方向是对的，但现在就像十年前的语音识别——能用了，但远没到完美。你当辅助工具使使可以，别全靠它。