什么是跨模态/多模态？

一、什么是模态

        在人工智能领域，模态（Modality）、跨模态（Cross-modality）和多模态（Multimodality）是描述数据类型和数据处理方式的重要概念。模态指的是信息的表现形式或感官通道。在日常交流中，我们使用多种模态来传递信息，例如语言（听觉模态）、文字（视觉模态）、肢体语言（视觉模态）和声音（听觉模态）。在人工智能中，模态通常指的是数据的类型：

• 视觉模态：图像、视频
• 听觉模态：音频、语音
• 文本模态：文字
• 触觉模态：触觉反馈或通过触觉感知的数据

二、什么是跨模态/多模态

1、跨模态

        跨模态指的是在不同模态之间进行信息转换或关联的过程。跨模态处理在人工智能中非常重要，因为它涉及到如何让机器理解和处理不同类型数据的问题。例如我们最常见的语音识别，就是一个听觉模态到文本模态的转换，还有最近很火的AIGC大模型文生图，就是文本模态到视觉模态的转换。跨模态的关键在于如何识别不同模态之间的语义差异，并准确地在它们之间进行信息映射。

2、多模态

        多模态指同时使用或分析多种模态的数据。例如，在一个多模态的情感分析任务中，系统可能会同时考虑文本内容（文本模态）、说话人的语气（听觉模态）和面部表情（视觉模态）。多模态数据处理提供了更丰富的信息，例如结合视觉（图像）、雷达和激光雷达数据来感知环境开发的自动驾驶算法，就是多模态技术的代表作。

三、常见建模策略

1、数据级融合（Dat