夜雨聆风今天是2026年7月25日，学点东西的第60篇
AI 的多模态（Multimodal），指的是人工智能模型能够同时理解、关联、并生成多种信息形态（模态）——比如文本、图像、音频、视频等，而不是只会处理单一类型的数据。
"模态"就是信息的载体/形式。常见模态包括：
文本（文字、代码）
图像（照片、图表、绘画）
音频（语音、音乐）
视频（动态画面+声音）
还有 3D 模型、传感器数据、表格等
单模态 vs 多模态
单模态 AI（早期）：只能处理一种。例如老式语音识别只听音频、早期 GPT-3 只处理文本、图像分类模型只看图。
多模态 AI：把多种模态放进同一个模型里，让它们"互相读懂"。例如你给一张图+一个问题，它能看图回答；你写一句话，它能生成对应的图或视频。
多模态VSAI Agent
多模态回答的是：AI 能"感知/生成"哪些类型的信息（文本、图像、音频、视频…）——这是能力维度。
AI Agent回答的是：AI 能不能自己"动起来"完成任务（自主规划、调用工具、多轮执行）——这是架构/角色维度。
把 AI 想象成一个人：
多模态 = 这个人的眼睛、耳朵、嘴巴、手（感官与表达器官）——决定他能接收和输出什么形式的信息。
Agent = 这个人的大脑决策 + 手脚执行（会不会自己定计划、找工具、把事做成）——决定他能不能主动把事办了。
