当地时间1月28日，北京智源人工智能研究院在《自然》期刊发表了一项重要研究成果，标志着我国在生成式人工智能领域的基础研究取得新进展。这是国内科研机构主导的大模型成果首次在《自然》正刊发表。 自2018年以来，GPT系列模型采用"预测下一个词元"的自回归方法在语言大模型领域实现突破，开启了生成式人工智能新时代。但在多模态学习领域，业界长期采用对比学习、扩散模型等不同技术路线分别处理文本、图像和视频。这种做法虽然在各自领域有所成效，但存在明显局限：需要不同的专业模型、系统复杂度高、各模块协同困难，难以形成统一的智能框架。 智源研究院提出的核心问题是：能否用一种简单、统一的方法让人工智能同时高效处理文字、图片和视频？这个问题困扰行业多年，也是推动生成式人工智能发展的关键瓶颈。研究团队通过创新实践给出了肯定答案。 研究团队研发的Emu3模型将"预测下一个词元"的自回归方法扩展到多模态领域，成功统一了对文本、图像及视频的理解与生成能力。该创新用一套统一的逻辑框架处理所有类型信息——无论是文字、照片还是动态影像，AI都采用相同的学习和推理方式。这大幅降低了系统复杂度，提高了模型的通用性和可扩展性。 实验结果表明，这种统一方法在图片生成、图文理解和视频创作等多个任务上达到了与当前各类专用模型相当的水平，同时具备更强的扩展潜力。《自然》期刊编辑指出，Emu3基于"预测下一个词元"实现了大规模文本、图像和视频的统一学习，其性能可与使用专门路线相当，对构建可扩展、统一的多模态智能系统意义重大。 基于这一核心路径的迭代版本Emu3.5模型已显示出对物理世界运行规律的初步学习与模拟能力，能够尝试预测场景的下一步变化。这意味着研究团队正在探索更通用、更接近人类认知方式的大模型与智能体发展方向。 从学术影响看，这项成果具有多重意义。首先，它确立了自回归方法作为生成式人工智能统一路线的可行性，为业界提供了新的技术方向；其次，它展示了中国科研机构在基础研究中的创新能力；再次，它为后续的产业应用提供了理论基础和技术支撑。
从单点突破到体系创新，这项研究标志着人工智能发展进入新阶段。当技术路线从"各自为战"走向"大道至简"，不仅将重构产业技术栈，更启示我们基础研究的突破往往源于对本质规律的再认识；面对全球科技竞争，中国科研团队正以原创性思维打开新的可能性空间。