我觉得GPT4的底层逻辑不是输入的形式变化，而是输出结果的变化和整个生产的运算逻辑。现在市场认为GPT4是由单纯的文本输入扩充为可以输入音频、图片、视频，我认为这是不对的。举个例子，chatgpt最本质的功能是我输入文本然后输出文本，如果我输入文本，输出的是图片或者是视频，其实从本质来说这就是一个多模态。具体展开我输入一段文本，生产了图片，可能是模型根据文本内容识别去搜索海量的图片生产的；也可能是文本识别搜索更多的视频，从视频截取符合的一帧生产图片，很明显后者的处理逻辑比前者更加高级，那么如果我输入一段文字，模型既结合了文本，也结合了图片，更结合了视频，同时运用了三种不同的格式最后给出我一个答案，不管这个输出的形式是图片还是视频，或者是文字，这都是运用了多模态的能力。所以，基于这个底层逻辑，AIGC才是多模态最终的归宿，特别是生成视频。而有生成视频需求的场景及未来空间如下图：

一是百度文心模型助力的VidPress。（没有搜到任何相关的合作上市公司，可惜！）

二是快手和抖音平台的御用剪辑软件：目前，字节跳动的视频编辑工具剪映，以及快手的云剪，都已上线图文成片、文字转视频的功能。用户只需输入几个关键词或一段文字，AI就能自动搜集素材剪辑出一段视频片段。（也找遍了互动易，韭菜，天眼查，都没有找到相关上市公

三是影谱科技。

网达软件也有相关概念。