在今天的百度世界大会上，百度创始人、董事长兼CEO李彦宏正式推出ERNIE Bot 5.0，将其定义为“统一的原生多模态模型”。这个名字不仅宣告了百度在多模态AI领域的技术飞跃，也标志着国产大模型正式进入了文字、图像、声音深度融合、自然协同的新时代。
原生多模态：不是“串联”，而是“共生”
与业界主流的“多模态串联”方式（如先使用视觉模型识别图像，然后使用语言模型生成描述）不同，ERNIE Bot 5.0在底层架构层面实现了文本、图像和语音的统一表示和联合训练。这意味着该模型不再“先看后思考”，而是“同时看到、听到和理解”，使其能够自然地处理复杂的跨模态任务，例如“描述这张照片中人物的情感变化”或“生成与这首旋律相匹配的诗歌”。李强调：“它具备了真正的自学习和迭代能力，推理效率和泛化性能得到了显著提升。
千帆平台全面开放，开发者一键调用
即日起，ERNIE Bot 5.0已上线百度智能云千帆大模型平台。企业和开发者可以直接调用其多模态能力，快速构建智能客服、AI创作、工业质检、多模态搜索等应用。百度还优化了API响应速度和成本结构，推动大模型从“好用”到“好用、方便、低成本”。
“智能本身就是最大的应用”
李在演讲中重申了自己的核心理念：“过去，我们总是试图寻找AI的’杀手级应用’，但今天我想说——智能本身才是最大的应用。他认为，大模型不应该局限于单一场景，而应该像水电一样，融入到整个产品栈中，比如作系统、搜索、办公、出行等。未来，百度将把ERNIE Bot 5.0深度嵌入到整个产品系列中，包括ERNIE Bot、百度搜索、小度智能音箱、阿波罗自动驾驶，实现”无处不在智能“。
战略意义：国产大模型的范式突破
在全球大模型仍以语言能力为主的同时，百度选择了“原生多模态”作为切入点，不仅避免了纯文本领域的同质化竞争，也顺应了中国对视觉、语言、语音在实际应用中融合的迫切需求——例如，在智能工厂中理解图文工单、医学影像中的多模态诊断辅助、涉及“描述图片”的教育场景中的交互教学等。
