淘天集团首席科学家郑波：三年之内会诞生原生全模态统一生成模型

　　“2026云栖大会”于9月22日-24日在杭州举行。阿里巴巴ATH事业群技术副总裁，淘天集团首席科学家郑波出席并演讲。　

　　郑波表示，文本、图像、视频、声音、空间能力正在加速协同，从单模态能力走向多模态融合

　　有数据显示，63%的视频营销人员已经在使用AI视频工具；预计到2030年，AI图像与视频生成市场规模将达到608亿美元。

　　他指出，无论技术还是市场，全模态生成都在加速演进。人类感知世界，一直依靠图像、视频、声音与交互。过去，从想法到可视化结果，中间隔着一整条漫长生产链条。而全模态生成正在改变这一切，大幅降低想象落地的成本，让想法直接变成看得见、听得见、可交互的体验。未来，体验的供给会指数级增长，体验的边际成本将趋近于零。

　　郑波在发言中预告，全新视频模型将于 11 月正式发布。“我们相信视频生成持续迭代，能够更高效自主地把创作想法落地，让每个人拥有更自由的创作表达。”他说。

　　他判断：三年之内，会诞生原生全模态统一生成模型。一个模型同时完成图像、视频、音乐生成，同时具备世界理解能力。不是多个模型简单拼接能力，而是原生一体化能力。届时体验生产将打破模态边界，创作门槛进一步降低。

　　“从生成走向理解，从分散走向统一，从内容走向体验，从想象走向可见，这就是 AI 的下一步。”他说。