第 12 天｜多模态 AI：让机器眼耳口并用
昨天的课程里，我们聊过的工具大多只能处理「文字」这一种信息。但人呢？人是用眼睛看世界、用耳朵听声音、用嘴巴说话的。多模态 AI 就是让机器也能同时接收和理解好几种不同类型的信息。今天我们就来认识它、了解它的常见流程，并说说它能做到什么、不能做什么，又会带来哪些隐私风险。
什么是「模态」
模态听起来很玄，其实就是它指信息的「种类」。比如我们看到的图片、听到的声音、读到的文字、触摸到的温度，都可以算作一种模态。生活中常见的模态有三种：文字（你正在读的这一段）、图片（手机里的照片）、声音（视频里的对白）。多模态 AI 就是能同时处理不止一种模态的工具，它既看得见，也读得懂文字，就像一个会看图说话的助手。
跨模态任务是怎么跑的
跨模态任务，就是把一种模态「翻译」成另一种模态。流程通常分三步走：第一步叫「输入」，也就是把图片、声音或文字喂给 AI；第二步叫「理解」，AI 在内部把信息转成自己熟悉的数字表示，这一步就像人把看到的、读到的内容在脑子里消化一遍；第三步叫「输出」，它再按你的指令生成另一种模态的结果。比如你把一张猫的照片丢给它，并输入文字「请描述它」，它就会回一段文字。再比如你让它「看图写一首诗」，它就会基于图片内容生成诗句。这个输入—理解—输出的流水线，就是跨模态任务的基本流程。
能力边界与隐私风险
多模态 AI 很强，但并不是万能的。它的能力边界主要在三方面：一是识别精度有限，模糊的图片或嘈杂的音频容易认错；二是它没有真正的「常识」，看到没学过的场景就可能胡说；三是它算资源消耗大，本地设备常常跑不动，必须传到云端。这第三点恰恰带来隐私风险：你的照片、录音、家庭视频可能会被上传到服务器，存在被滥用或泄露的可能。所以在使用时，建议优先选择有隐私保障的产品，避免上传包含身份证、人脸、位置等敏感信息的内容，给自己和家人多一层保护。
停一下，确认你真的懂了
每题只能选择一次，不计分，也不会保存结果。
第 1 题
下列哪一项不属于多模态 AI 常处理的「模态」？
第 2 题
跨模态任务的基本流程顺序是？
第 3 题