[趋势研究] 多模态AI的时代，重拾文字的意义

[趋势研究] 多模态AI的时代，重拾文字的意义 [趋势研究] 多模态AI的时代，重拾文字的意义 Modified November 6, 2025 265 291 汗青工作室的数字人Yuri，有专辑，还做了外滩大会的数字大使 然而，当技术越是执着于“模仿真实”，我们就越容易被“技术的瑕疵”所刺痛。这就是“恐怖谷效应”的核心：一个AI越像人，它那一点点“不像人”的部分——比如僵硬的表情、不同步的嘴型、或缺乏灵魂的语调，就越会显得格外刺眼，瞬间将我们从沉浸感中抽离。 我们本想建立连接，却在中途被“技术”绊倒了。 而当我们重新审视文字——这个最古老、最“原始”的媒介，反而发现了它不可替代的珍贵之处。 | “真实”的陷阱，与“想象”的馈赠 多模态AI最大的问题，在于它试图“包办一切”。它为你定义了AI的外表、声音、动作和神态。它提供的是一个“成品”。 当我们看到一张具体的“脸”，我们的注意力会立即被分散：我们会在意它的五官是否符合审美，它的表情是否到位。当一个数字人做出动作时，我们可能会首先评判“这个动作模仿真不真？” 我们开始“审查”技术，而不是“感受”意图。 而文字，恰恰相反，它提供的是“留白”。 文字是“低保真”的。当它没有一张脸，AI的“样子”就不是被设计出来的，而是由我们在“沟通”的过程中，基于自己的记忆和渴望，创造出来的。电影《Her》里Samantha是有笑声的，你会自然而然联想到寡姐，但如果你只是读到一句“她笑了”，那个笑容就是你想象中的、最完美的笑容。 多模态AI给你一个“演员”，而文字给你一个“剧本”。在文字的世界里，我们既是读者，也是导演。这种“共同创造”所带来的情感深度，是任何“成品”都无法比拟的。 电影《Her》 | “纯粹”的抵达：剥离表演的意图 多模态的交流，是“意图”和“表演”的混合体。我们不仅要理解“它说什么”，还要解读“它如何说”。 但“表演”是会出错的。一个AI助手也许用了错误的语调说“你还好么”，这句关心就会立刻变得廉价。 文字，则近乎是“纯粹的意图”。 它剥离了所有感官的干扰——没有外表，没有声音，没有动作。当它说“我想和你谈谈”时，我们感受到的只有这句话本身的力量，一种纯粹的、不被修饰的渴望。 这是一种更直接的连接。我们绕过了对“演技”的审判，直接触达最原本的表达。 | “停顿”的权力：情感发酵的空间 声音和视频是线性的，它们像一条河，推着你不断向前。你必须跟上它的节奏，错过的感官细节转瞬即逝，因为前面还有新的等着你接收。 但文字，赋予了接收者“停顿的权力”。 你可以在一句触动你的话上，读一遍，停下来，再读一遍，然后笑出来，或者哭出来。 “床前明月光”，你可以用三秒钟读完，也可以用三分钟去感受那种安静。 这种由读者掌控的“节奏”，是深度情感共鸣所必需的呼吸空间。 皮皮哥的虚拟人IP李洛云（虽然他自己说只想做擦边） | 承认文字的局限 当然，文字并非完美无缺。它最大的瑕疵，恰恰也源于它的“模糊”，或者说是“误解”。 语言天然存在局限，词不达意是常态。一个拙劣的比喻、一个用错的标点，同样会“破坏感官”。有时候，一个真实的拥抱所传递的安慰，胜过所有文字。 但这种“不完美”，也正是文字的魅力所在。 多模态AI追求的是“让你看见”，而文字追求的是“让你懂得”。 “文字最是低内存高信息量的，文字到语言，有两种，一种是精确的直接的语言，一种是多义的暗示的语言。一种大概是科学，是客观；一种大概是艺术，是主观。” —— 诗人炎石 我们无疑会拥有越来越“真实”的、拟人的AI角色。但在那条追求“完美模拟”的喧嚣道路之外，古老的文字始终提供着另一条更安静、也更深刻的路径。 “语言是存在之家。人栖居于此宅之中。思想家和诗人们，是这座居所的看护者。” —— 海德格尔 它不提供感官的盛宴，只表达最本质的意义。 汗青工作室的数字人Yuri，有专辑，还做了外滩大会的数字大使 然而，当技术越是执着于“模仿真实”，我们就越容易被“技术的瑕疵”所刺痛。这就是“恐怖谷效应”的核心：一个AI越像人，它那一点点“不像人”的部分——比如僵硬的表情、不同步的嘴型、或缺乏灵魂的语调，就越会显得格外刺眼，瞬间将我们从沉浸感中抽离。 我们本想建立连接，却在中途被“技术”绊倒了。 而当我们重新审视文字——这个最古老、最“原始”的媒介，反而发现了它不可替代的珍贵之处。 | “真实”的陷阱，与“想象”的馈赠 多模态AI最大的问题，在于它试图“包办一切”。它为你定义了AI的外表、声音、动作和神态。它提供的是一个“成品”。 当我们看到一张具体的“脸”，我们的注意力会立即被分散：我们会在意它的五官是否符合审美，它的表情是否到位。当一个数字人做出动作时，我们可能会首先评判“这个动作模仿真不真？” 我们开始“审查”技术，而不是“感受”意图。 而文字，恰恰相反，它提供的是“留白”。 文字是“低保真”的。当它没有一张脸，AI的“样子”就不是被设计出来的，而是由我们在“沟通”的过程中，基于自己的记忆和渴望，创造出来的。电影《Her》里Samantha是有笑声的，你会自然而然联想到寡姐，但如果你只是读到一句“她笑了”，那个笑容就是你想象中的、最完美的笑容。 多模态AI给你一个“演员”，而文字给你一个“剧本”。在文字的世界里，我们既是读者，也是导演。这种“共同创造”所带来的情感深度，是任何“成品”都无法比拟的。 电影《Her》 | “纯粹”的抵达：剥离表演的意图 多模态的交流，是“意图”和“表演”的混合体。我们不仅要理解“它说什么”，还要解读“它如何说”。 但“表演”是会出错的。一个AI助手也许用了错误的语调说“你还好么”，这句关心就会立刻变得廉价。 文字，则近乎是“纯粹的意图”。 它剥离了所有感官的干扰——没有外表，没有声音，没有动作。当它说“我想和你谈谈”时，我们感受到的只有这句话本身的力量，一种纯粹的、不被修饰的渴望。 这是一种更直接的连接。我们绕过了对“演技”的审判，直接触达最原本的表达。 | “停顿”的权力：情感发酵的空间 声音和视频是线性的，它们像一条河，推着你不断向前。你必须跟上它的节奏，错过的感官细节转瞬即逝，因为前面还有新的等着你接收。 但文字，赋予了接收者“停顿的权力”。 你可以在一句触动你的话上，读一遍，停下来，再读一遍，然后笑出来，或者哭出来。 “床前明月光”，你可以用三秒钟读完，也可以用三分钟去感受那种安静。 这种由读者掌控的“节奏”，是深度情感共鸣所必需的呼吸空间。 皮皮哥的虚拟人IP李洛云（虽然他自己说只想做擦边） | 承认文字的局限 当然，文字并非完美无缺。它最大的瑕疵，恰恰也源于它的“模糊”，或者说是“误解”。 语言天然存在局限，词不达意是常态。一个拙劣的比喻、一个用错的标点，同样会“破坏感官”。有时候，一个真实的拥抱所传递的安慰，胜过所有文字。 但这种“不完美”，也正是文字的魅力所在。 多模态AI追求的是“让你看见”，而文字追求的是“让你懂得”。 “文字最是低内存高信息量的，文字到语言，有两种，一种是精确的直接的语言，一种是多义的暗示的语言。一种大概是科学，是客观；一种大概是艺术，是主观。” —— 诗人炎石 我们无疑会拥有越来越“真实”的、拟人的AI角色。但在那条追求“完美模拟”的喧嚣道路之外，古老的文字始终提供着另一条更安静、也更深刻的路径。 “语言是存在之家。人栖居于此宅之中。思想家和诗人们，是这座居所的看护者。” —— 海德格尔 它不提供感官的盛宴，只表达最本质的意义。 我们正处在一个感官竞逐的时代。先是抖音、小红书占据了大部分时间，让我们觉得似乎没有时间在留给阅读了。现在AI则给我们带来了栩栩如生的虚拟偶像，音色逼真的智能助手，多模态AI也正慢慢替代了那个简陋的聊天窗口，填满我们所有的感知通道。 AGI的目标是无限逼近“真实的人类”，不仅仅是从功能上、智力上的，也包括创造出有面孔、有声音、有情绪反应的个体。