什么是多模态 AI?

• 多模态 AI = 能够同时处理和理解多种数据类型（文本 + 图像 + 音频 + 视频）的人工智能系统
• 核心能力：跨模态理解、模态转换、联合推理

• 编码器：将不同模态映射到统一向量空间
• 融合层：跨模态注意力机制实现信息交互
• 解码器：生成目标模态的输出（文本/图像/音频）

场景	输入模态	输出/能力
图文问答	图像 + 文本	基于图片内容回答问题
视频理解	视频 + 音频	自动摘要、内容审核
文档分析	文本 + 图表	结构化信息抽取
创意生成	文本描述	生成图像、视频、音频

产品名称	一句话描述
Amazon Nova	Amazon 原生多模态大模型
Amazon Bedrock	一站式生成式 AI 模型调用平台
Amazon Rekognition	图像与视频智能分析服务
Amazon Transcribe	语音转文字服务

Amazon Nova	Amazon Bedrock	Amazon Rekognition
原生多模态大模型	一站式模型调用平台	图像/视频智能分析
文本+图像+视频理解	Nova/Titan 多模型选择	人脸识别、物体检测
低成本高性能推理	RAG + 知识库集成	内容审核、场景标注

1. 开通 Amazon Bedrock — 在控制台启用多模态模型访问

2. 选择模型 — Nova（性价比）或 Titan（高精度）

3. 调用 API — 传入多模态输入，获取智能输出

多模态 AI 和单模态 AI 有什么区别？

单模态只能处理一种数据（如纯文本），多模态可同时理解图文音视频并进行跨模态推理。

哪些模型支持多模态？

Amazon Nova、Titan Multimodal 等均支持，可通过 Bedrock 统一调用。

多模态 AI 的延迟如何？

取决于输入复杂度。纯文本+图片通常 1-3 秒，视频分析可能需要更长时间。