3.4 什么是多模态 AI？

文字、图片、声音和视频是不同的信息形式，也叫不同模态（modality）。能够处理不止一种模态的系统称为多模态 AI（multimodal AI）。

例如，用户可以输入文字问题、上传一张收据、提供会议录音，或让产品生成图片。支持哪些模态取决于具体产品和当前功能，不能因为一个聊天框能输入文字，就假设它一定能听音频或看懂表格。

能接收不等于能完整理解

图片可能模糊、裁切或缺页；录音可能有噪声和多人同时说话；表格可能因合并单元格而错位。AI 会根据实际读到的信号生成结果，输入质量差时，不确定性会增加。

使用多模态功能时，先说明任务范围，例如“只提取收据上的商户、日期和总金额”；得到结果后，对照原始材料核实关键数字。若画面不清，应允许 AI 标记“无法确认”，而不是要求它必须给出一个确定答案。

多模态也不意味着产品拥有人的所有感官。它处理的是被提供和允许访问的数据，看不到镜头外、文件外或录音之外的情况。