案例15｜Multimodal AI：DALL·E、Imagen、Make-A-Video 與跨模態生成

一、案例定位

本案例依原書 3.4.7「Future Directions and Innovations」的 Multi-modal AI 整理。

理解 Text、Image、Audio、Video 之間的跨模態整合與未來應用。

二、學習目標

理解 Multi-modal Generative AI。
辨識 Text-to-image／Text-to-video 等轉換。
區分 Future Direction 與已完成的普遍產業成果。

三、案例情境

原書指出 Multi-modal AI 整合 Text、Image、Audio、Video 等資料形式，例子包括 DALL·E、Imagen、Make-A-Video，可支援 Interactive Storytelling、Immersive Virtual Environment 與 Comprehensive Content Creation。

四、開始資料

面向	原書內容	用途
Modalities	Text、Image、Audio、Video	Cross-modal Integration
Examples	DALL·E、Imagen、Make-A-Video	Text-to-image／Text-to-video 等
Application 1	Interactive Storytelling	Rich Content Experience
Application 2	Immersive Virtual Environments	Interactive Experience
Application 3	Comprehensive Content Creation	Multi-format Production

五、Excel／AI 分析方法

Excel 可建立 Input Modality、Output Modality、Latency、Quality、Human Review；AI 可比較 Workflow，但原書沒有統一性能數值。

六、計算結果

本節無可重算 Benchmark。

七、結果分析與管理解讀

Multi-modal 的價值在跨資料形式理解與生成，但部署會同時提高 Data、Compute、Safety 與 Evaluation Complexity。

八、AI 提問詞

請把 Multi-modal Workflow 拆成 Input Modality、Fusion／Understanding、Output Modality、Human Review，並標示哪些是原書列出的未來方向。