AI Multimodal se referă la sistemele de inteligență artificială capabile să proceseze și să combine mai multe tipuri de date simultan — text, imagini, audio și video — pentru a înțelege și genera conținut mai complex și mai contextual.
Spre deosebire de modelele specializate pe un singur tip de date (doar text sau doar imagini), un model multimodal poate, de exemplu, să analizeze o imagine și să răspundă în text la întrebări despre ea, sau să genereze o descriere audio pornind de la un videoclip.
Aplicații precum asistenții AI capabili să „vadă” o poză trimisă de utilizator și să explice ce conține, sau instrumentele care transformă text în video, sunt exemple de AI multimodal ajuns în uz curent în 2026.
Avantajul este o interacțiune mult mai naturală și apropiată de modul în care oamenii percep lumea, prin mai multe simțuri simultan. Provocarea constă în complexitatea tehnică sporită și în costurile de antrenare, semnificativ mai mari decât la modelele unimodale.
AI Multimodal este considerată direcția firească de evoluție a inteligenței artificiale, apropiind tot mai mult interacțiunea om-mașină de comunicarea umană naturală.