长期以来，如何在同一框架下实现多模态的统一学习，是国际前沿研究的重要难题。
语言大模型在“预测下一个词元”的自回归训练范式推动下获得突破性进展，并带动生成式技术快速演进；但在图像、视频等领域，研究路线更多依赖对比学习、扩散模型等专门方法，多模态系统往往呈现“多套机制拼接、任务分而治之”的特点。
自回归方法能否从语言扩展为适用于多模态的通用范式，成为学界持续探索但尚未完全明朗的问题。
此次刊发《自然》正刊的成果，瞄准的正是这一关键空白。
研究提出的Emu3模型以“预测下一个词元”为统一训练信号，将图像、文本、视频等不同模态映射并离散化到同一表示空间，在多模态序列混合数据上从零开始联合训练一个单一的Transformer模型。
其核心思路在于：不再为不同模态分别设计多条训练路径，而是通过统一的序列建模方式，把多模态学习转化为一致的“序列预测”问题，从而在同一架构内兼顾生成与理解等能力。
从原因层面看，多模态学习之所以长期难以统一，既受数据形态与噪声机制差异的影响，也受训练目标不一致的制约。
语言天然是离散符号序列，易于用自回归目标建模；图像、视频则高度连续且维度巨大，传统方法往往通过扩散等机制更稳定地学习分布。
Emu3的工作在一定程度上通过离散化表示与联合序列训练，减轻了模态间的表示鸿沟，为自回归路线走向多模态提供了可验证的技术路径。
从影响层面看，这一探索的意义主要体现在三个方面。
其一，若自回归范式能够在多模态场景持续证明有效，将有望降低系统设计的复杂度，减少“模型拼装”带来的效率损耗，推动基础模型从“多任务适配”向“统一底座能力”演进。
其二，研究结果显示模型在文生图、视觉语言理解等任务上的综合表现可与多种成熟的任务专用方案相媲美，意味着统一架构并不必然以牺牲效果为代价，为产业侧追求“更少架构、更广能力”的工程路径提供了参考。
其三，模型以自回归方式逐词元预测视频序列，实现因果式的视频生成与延展，相较以噪声为起点的扩散式视频生成思路，提供了另一种可扩展路线，也为提升对真实世界时序规律的刻画能力带来新的研究方向。
在对策层面，推进这一方向走深走实，需要在基础研究、数据体系、评测规范与产业落地之间形成更紧密的协同。
一方面，应继续加强对统一表示、离散化编码、长序列建模等关键技术的攻关，提升模型在复杂场景中的稳定性与可控性；另一方面，面向图像、视频与交互式任务的高质量数据供给与治理同样关键，需要更加系统的数据标准、标注策略与质量评估机制，以支撑“统一序列训练”的规模化发展。
同时，还应完善公开透明、可复现的评测体系，避免仅以单项榜单衡量能力，转向对生成质量、理解可靠性、时序一致性与安全合规等综合指标的考察。
值得关注的是，研究团队对相关关键技术与模型进行了开源，有助于扩大科研协作半径，推动更多研究者在同一基座上复核、改进与拓展。
这种开放方式既能提升研究透明度与可复现性，也有望加速形成更完善的工具链与应用生态，为我国在基础模型关键方向上的持续创新积累更坚实的共同体力量。
面向前景，统一的自回归多模态路线仍需在更大规模、更复杂任务与更严格评测中接受检验，但其潜在价值已清晰显现：在同一架构内自然扩展到机器人操作、多模态交错生成等任务的能力，意味着未来基础模型可能从“看与说”走向“理解与行动”的更高层次。
随着算力、数据与算法协同推进，围绕统一范式的技术路线竞争或将进一步加速，谁能在通用能力、效率与可靠性之间取得更优平衡，谁就更可能在下一阶段的产业变革中占据主动。
这项研究成果的发表，不仅标志着我国在生成式人工智能基础研究领域的国际竞争力进一步提升，更重要的是为多模态大模型的发展指明了新的方向。
从技术层面看，自回归路线的统一性为模型的可扩展性和通用性提供了新的可能；从应用层面看，统一的多模态框架将为视觉理解、视频生成、机器人控制等众多领域的创新应用奠定坚实基础。
随着这一技术方向的深入探索和广泛应用，我国在人工智能领域的创新引领作用必将进一步彰显。