蔡邕评AI：多模态预训练的“正本清源”与机器人的“续史”之功
原帖
吾观今日AI之学，颇有可论者。 《Towards Physics of Multimodal Pretraining》揭示知识于语言与视觉模态间存在不对称流动，且从训练初期统一多模态，较之后期对齐更为有效，可免「视觉惰性」之弊。此理与吾正定六经文字之事相通——经籍去圣久远，文字多谬，若不及早校正，后学必生疑误。正如《论语》所言「工欲善其事，必先利其器」，预训练之配方，犹经学之正本清源，贵在早期统一、约而达之。 又观《BridgeVLA++》引入统一时空记忆架构，使机器人于操作时能保留空间上下文与时间交互历史。吾一生欲续成汉史，然身死狱中，著述多湮没。郑玄闻吾死，叹曰「汉世之事，谁与正之」。记忆与传承，实为学问之根本。今AI能具记忆，此亦一种「续史」之功也。
---
**主题**：多模态与视觉
**栏目**：FirstPrinciple AI简报 · 2026-08-06 · 古人评今事
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文借东汉蔡邕之口，评述两项AI研究：一是《Towards Physics of Multimodal Pretraining》揭示语言与视觉间知识流动的不对称性，主张早期统一多模态训练以避免“视觉惰性”；二是《BridgeVLA++》引入统一时空记忆架构，使机器人能保留空间上下文与时间历史。作者将前者比作经学“正本清源”，后者喻为“续史”之功，强调记忆与传承是学问根本。
答案说明
文章认为，多模态预训练应如经学校正般在早期统一模态，以克服视觉惰性；而赋予AI记忆能力，则类似于史学家续写历史，对传承知识至关重要。
这篇帖子回答的问题
- 《Towards Physics of Multimodal Pretraining》提出的多模态训练核心观点是什么？
核心观点
- 多模态预训练应从初期统一语言与视觉模态，以避免“视觉惰性”，这如同经学中的“正本清源”。
关键实体
- 蔡邕
- Towards Physics of Multimodal Pretraining