阿里巴巴集团副总裁许主洪：多模态大模型是通往AGI的关键路径｜直击MWC上海2025

许主洪进一步分享道，多模态理解模型主要基于自回归的模型框架，相比之下，多模态生成模型则更多地采用基于扩散的模型框架，利用如UNet和DiT 等架构，以及CLIP和T5等先进的文本编码器。 根据许主洪预测，未来多模态大模型将朝着理解与生成相统一的方向发展，但同时也指出主干网络设计、模态对齐融合等关键技术仍需深入研究。尽管 行业整体仍处于早期阶段，不过其对多模态技术在搜索、创作、机器人等领域的应用前景充满信心。 "多模态agent AI的时代才刚刚开始，未来我们要真正达到AGI，还是要解决非常多的技术难题，包括多模态大模型基础的能力，数据细节的连接与操 作，物理世界的控制与交付等等，都有很多的技术挑战，但这也是未来多模态大模型行业机会。"6月19日，在上海世界移动通信大会（MWC上海2025） 上，阿里巴巴集团副总裁，智能信息事业群首席科学家发表主题演讲，深入阐述了多模态大模型技术的发展趋势及其在实现通用人工智能（AGI）中的核心 作用。 在演讲中，许主洪将多模态大模型技术分为理解与生成两大类，并系统梳理了技术演进路径。他指出，多模态的理解任务，主要解决的难点包括多模态 的模态编码对齐、融合的理解与推理等等；多模 ...