【ITBEAR科技资讯】3月21日消息，中信建投研报指出，GPT-4的多模态特性将为语言模型带来更加丰富的应用场景。报告认为，未来的多模态模型应该包括三个基本组成部分：图像、视频和音频。其中，视频对算力和IP复杂度的要求最高，其次为音频。为了满足多模态模型的需求，硬件算力需要向视频、音频编解码能力的支持进行扩展。
在新一代语言模型GPT-4的到来之前，中信建投研报认为多模态模型将会成为未来的发展趋势。这种模型不仅可以处理文本，还可以处理图像、视频和音频等多种数据类型，从而拓展了语言模型的应用场景。
然而，随着模型规模和复杂度的增加，对硬件算力的要求也将越来越高。为了满足多模态模型的需求，需要在硬件算力层面面向视频、音频编解码能力的支持进行扩展。中信建投研报指出，视频对于算力和IP复杂度的要求最高，这意味着为了实现多模态模型的应用，需要有更加高效的算力和更加复杂的编解码模块支持。
据ITBEAR科技资讯了解，未来的多模态模型需要具备图像、视频和音频三个基本组成部分。因此，随着多模态的发展，需要将硬件算力从GPU扩展到GPU周边支持性的编解码IP，如VPU模块，以满足多模态模型的需求。
