当前生成式人工智能的核心难题，是如何高效、统一地处理多种模态数据。长期以来，业界多采用面向不同任务的专用模型路线，对比学习、扩散模型等方案并行推进。这种分散式架构在部分场景中效果突出，但难以形成统一的技术框架，进而限制了多模态能力的整体提升。智源研究院的突破在于提出一条新的技术路线。由该团队主导开发的Emu3模型采用“预测下一个词元”的自回归方法，将文本、图像、视频等多种模态统一映射到同一表示空间，并以单一Transformer架构完成联合训练。其优势在于减少复杂的多路径设计，以统一的数学框架处理异构数据，从而简化结构、提升训练效率。 从技术表现看，Emu3在文本生成图像、视觉语言理解、视频生成等关键任务上，已具备与成熟专用模型相当的能力。更重要的是，模型显示出较强的泛化与扩展潜力：既能支持图文交错生成等复杂场景，也可延伸至机器人操作建模等具身智能方向，为人工智能的实际应用提供了新的路径。 此成果建立在持续迭代之上。智源研究院自2022年启动Emu系列研发以来，模型已多次升级优化。研究团队在开源视觉分词器等关键技术的同时，通过大规模实验系统梳理了多模态自回归模型的训练特性与优化规律，为后续研究打下基础。此次成果发表于Nature正刊，表明该技术路线获得国际学术界的认可。 从更深层面看，Emu3的成功继续确立了自回归方法在生成式人工智能统一路线中的重要性。业界有望逐步减少多路径并行带来的碎片化探索，转向基于统一数学框架的系统化创新。这一范式变化将为原生多模态助手、具身智能、人机交互等前沿方向提供更稳固的理论与技术支撑，推动人工智能能力持续演进。 值得关注的是，这是我国科研机构主导的大模型成果首次发表于Nature正刊，反映了我国在基础研究与前沿技术探索上的进展。在全球人工智能竞争加速的背景下，这一突破不仅为国内团队提供了可参考的路径，也有助于提升我国在对应的领域的国际学术影响力。
面向新一轮科技革命和产业变革，基础研究的持续突破是提升原始创新能力的关键；多模态统一路线的探索不仅关乎模型架构选择，也将影响未来智能系统的组织方式与应用形态。以问题为牵引推动研发迭代，依托开放合作加速技术成熟，并以安全治理保障落地边界，才能让技术进步更稳定地服务产业发展与公共利益。