专题：2026 云栖大会

"2026 云栖大会 " 于 9 月 22 日 -24 日在杭州举行。阿里巴巴 ATH 事业群技术副总裁，淘天集团首席科学家郑波出席并演讲。

郑波表示，文本、图像、视频、声音、空间能力正在加速协同，从单模态能力走向多模态融合

有数据显示，63% 的视频营销人员已经在使用 AI 视频工具；预计到 2030 年，AI 图像与视频生成市场规模将达到 608 亿美元。

他指出，无论技术还是市场，全模态生成都在加速演进。人类感知世界，一直依靠图像、视频、声音与交互。过去，从想法到可视化结果，中间隔着一整条漫长生产链条。而全模态生成正在改变这一切，大幅降低想象落地的成本，让想法直接变成看得见、听得见、可交互的体验。未来，体验的供给会指数级增长，体验的边际成本将趋近于零。

郑波在发言中预告，全新视频模型将于 11 月正式发布。" 我们相信视频生成持续迭代，能够更高效自主地把创作想法落地，让每个人拥有更自由的创作表达。" 他说。

他判断：三年之内，会诞生原生全模态统一生成模型。一个模型同时完成图像、视频、音乐生成，同时具备世界理解能力。不是多个模型简单拼接能力，而是原生一体化能力。届时体验生产将打破模态边界，创作门槛进一步降低。

" 从生成走向理解，从分散走向统一，从内容走向体验，从想象走向可见，这就是 AI 的下一步。" 他说。

新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。