过去做 AI 产品有个常识：专病专治。要做图文理解，接一个视觉模型；要做语音，接一个 ASR；要写文案，接一个大语言模型。三四个小模型拼起来，各管一摊。现在这个常识正在被"统一多模态模型"撬动——像 Gemini、Qwen 这类新架构，一个模型就能同时看图像、读文字、听音频，原本分家的 specialists 开始被同一个大脑吃掉。
先看发生了什么。新一代多模态模型不再把图文音视频当四个独立任务，而是在同一个表征空间里统一处理：你给它一张图加一句问话，它能结合图里内容和你的问题一起推理；你丢一段带背景音乐的视频，它能说出画面在讲什么、配乐什么情绪。这意味着原来要串三个模型的流水线，现在一个接口就兜住了。
被挤掉的是哪类玩家？最直观的是"单模态小模型"的生存空间——那些只做"图片打标"或"语音转写"的轻量服务，过去靠便宜和快活得好好的，现在面对"一个模型全包、单价还因为规模效应更低"的统一方案，性价比优势迅速蒸发。一个做电商客服的小团队跟我算过账：原来图文理解用 A 模型、意图识别用 B 模型，两个 API 两份账单；换成统一多模态后，一个调用同时搞定，月度成本直接砍掉近四成。
但 specialists 不是全没活路。对三类场景它仍不可替代：一是极端低延迟、要跑在端侧的设备（比如耳机里的唤醒词检测，容不下大模型的体量）；二是强监管行业里"能力可解释、输出可审计"的垂类（金融风控宁可用小而专、边界清楚的模型）；三是被大厂统一方案忽略的冷门语种和长尾任务。换句话说，被吃的是"通用中间层"，活下来的是"边缘"和"深水区"。
对你的启发很实际：如果你正选型，先问"我的需求是不是通用多模态就能 cover"——是的话别再堆小模型，直接上 Gemini 或 Qwen 这类统一接口，省下的集成成本比那点精度差异值钱；只有当你卡在延迟、合规或冷门任务上时，才值得为 specialist 单独付费。本站 Gemini、Qwen 与 腾讯混元 的详情页都列了各自的多模态能力边界，照着对号更稳。
统一模型的终局大概率是"中间层归一、两端分化"：通用的越来越便宜，专业的越来越贵也越不可或缺。现在该想清楚你站在哪一端。