1月28日，北京智源人工智能研究院的一项突破性研究成果在国际顶级学术期刊《自然》（Nature）上线，这是我国科研机构主导的大模型成果首次在《自然》正刊发表。

2018年以来，GPT采用 “预测下一个词元（Next-token prediction，NTP）”的自回归路线，实现了语言大模型重大突破，开启了生成式人工智能浪潮。而擅长同时处理文字、图片、视频等多种形态信息的多模态模型主要依赖对比学习、扩散模型等专门路线。在此背景下，一个重要问题困扰行业数年：能否用同一种简单、统一的方法即自回归路线，让AI（人工智能）同时学会高效地处理文字、图片和视频？

智源这项名为“通过预测下一个词元进行多模态学习的多模态大模型”的成果给出了肯定的答案。该成果表明，只采用自回归路线，就可以统一多模态学习，训练出优秀的原生多模态大模型，对于确立自回归成为生成式人工智能统一路线具有重大意义。

长期以来，AI在学习不同类型的“感官”信息时，往往需要“分科而治”——理解文字用一套方法，生成图片用另一套，处理视频又需要不同的专业模型，过程复杂且协同起来较为困难。而智源研究院研发的Emu3模型，借鉴了GPT成功的关键思路“预测下一个词元”，成功统一了对文本、图像及视频的理解与生成能力。打个比方，就如同给AI找到了一个“万能学习法”。无论面对的是一段文字、一张照片，还是一段动态影像，AI都用同一种逻辑去分析和创造。实验表明，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，且具备更强的扩展潜力和通用性。

《自然》编辑点评这项研究时表示，基于“预测下一个词元”，Emu3实现了大规模文本、图像和视频的统一学习，其在生成与感知任务上的性能可与使用专门路线相当，这一成果对构建可扩展、统一的多模态智能系统具有重要意义。

值得一提的是，基于这一核心路径的迭代版本Emu3.5模型，已展现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，为发展更通用、更接近人类认知方式的大模型与智能体奠定了基础。

据悉，自 2020年启动“悟道”大模型研究以来，智源持续聚焦大模型的原始创新与长期技术路径探索。2025年6月，智源发布新一代大模型系列成果“悟界”，旨在构建人工智能从数字世界迈向物理世界的关键能力，及物理世界的人工智能基座模型。这其中包括：Emu系列多模态世界模型、RoboBrain跨本体具身大脑、数字孪生心脏、Brainμ脑科学多模态基础模型以及OpenComplex全原子生命模型等，构建起覆盖宏观具身智能、介观生命系统到微观构象动力学的多层次技术基座。

北京日报客户端

记者：孙奇茹