多模态 AI：文字、图片和声音为什么能被一起理解？ 开场问题 你给 AI 发一张菜单照片，再问“哪道菜可能含花生”，它为什么既能看图，又能读懂问题？视频会议工具为什么能同时处理画面、语音和字幕？这些能力常被概括为“多模态 AI”。它不是让机器突然拥有了人的感官，而是让不同形式的信息可以被计算、比较和