我们或许高估了Agent的自主性，却低估了AI对社会变革的深远影响。7月18日上午，作为WAIC 2026最受瞩目的论坛，由商汤科技承办的“基座大模型架构创新与生态合作论坛”吸引了无数目光。这场直面行业焦虑的盛会，探讨了在Scaling Law逼近物理极限的当下，多模态究竟是破局的“解药”，还是新瓶装旧酒的延伸。
在林达华的主持下，邱锡鹏、赵德丽、张祥雨、刘子纬等顶尖学者齐聚，围绕多模态的本质、核心瓶颈及未来图景展开了深度交锋。
01. 走出“洞穴”：多模态是“外挂”还是“灵魂”？
林达华首先抛出了核心议题：未来AI应以语言为中心，还是以世界为中心？
复旦大学邱锡鹏教授认为，智能仍依赖语言，多模态的重点在于与语言的对齐。他强调，大模型距离真正理解世界还相差甚远，核心缺失的是对真实世界复杂情境的“Context”理解能力。未来的多模态发展，需要构建一套能支撑模型理解环境的Harness。
达摩院首席科学家赵德丽则持相反观点，她提出多模态是下一代智能的范式。她指出，无论是大语言模型还是视频生成模型，本质上都是对人类行为和知识的压缩。物理世界需要四维因果关系的建模，而大语言模型仅有一维。因此，基于多模态的模型才是智能的起源。
阶跃星辰首席科学家张祥雨将焦点转向“学习范式”。他认为，核心问题不在于语言还是视觉，而在于如何让智能体学会自主学习。他对比了Codex订阅与实习生的成长，指出模型目前缺乏自我进化能力，这在视觉信号稀疏时尤为突出。
新加坡南洋理工大学刘子纬教授引用了柏拉图的“洞穴比喻”，认为语言是真实世界的低维投影，终需走出洞穴。他将语言比作化石燃料，认为多模态是下一代能源，能解决制造业等高价值任务。
尽管角度各异，但学者们一致认为，多模态正从“辅助工具”走向“核心基础设施”，驱动力是AI应用场景从数字空间向物理空间的不可逆迁移。
02. 数据、架构、范式：多模态下一次跃迁缺什么？
林达华将问题拉回现实：当前主流AI方法是否足以支撑下一阶段？瓶颈究竟在哪？
业内存在两种判断。乐观派认为，高质量多模态数据稀缺是主要限制，解决数据与算力问题即可。审慎派则认为，Next Token Prediction的训练方法天然不擅长学习物理规律和因果关系，需要原生多模态架构、世界模型等新范式。
刘子纬对此进行了拆解。他指出，数据层面，互联网视频多为静态，缺乏长程关联；架构层面，仍以语言模型为核心，多模态能力多为“桥接”；范式层面，记忆机制尚未解决。
张祥雨进一步深挖记忆机制。他认为，当前的Context本质是工作记忆，难以承载长期记忆。多模态信息过长，压缩困难，且模型缺乏在线学习、探索好奇心建模和效率优化的能力。
赵德丽则从产业角度切入。她指出，物理世界数据极其稀少，但中国拥有丰富的工业和服务场景优势。同时，她强调算法架构创新的重要性，如DeepSeek底层的优化机制。
03. 高估Agent，低估社会变迁：五年预言
林达华提出，从未来5年看现在，什么会被高估，什么会被低估？
他反思道，2023年初大家焦虑AI取代工作，但如今看来工作方式改变远大于被消灭，这是被高估的；而被低估的是范式变革的速度，如强化学习在2025-2026年重新成为核心。
邱锡鹏认为预测困难，未来可能是“AI for AI”，即通过极致的Coding Model来设计未来的多模态模型。技术演进往往是渐进式的突变。
赵德丽则给出了具体预测：被高估的是企业级Agent的自主化落地，被低估的是AI对社会运作方式的改变。她以支付为例，指出智能体之间的交互将重构整个社会体系。
04. 结语：多模态正成为AI产业新的主战场
在通往物理世界智能的道路上，语言模型至关重要，但多模态才是原生基础。
从邱锡鹏的“情境智能”、赵德丽的“四条智能路径”、张祥雨的“自主学习范式”，到刘子纬的“走出洞穴”，学者们共同指向一个方向：多模态是下一代智能的基石。
中国在具身智能等领域的场景优势，将助力下一阶段全球竞争。多模态，正成为AI产业新的主战场。