近日，开普云与北京大学联合开展的研究成果论文《AIM: Learning from Modality Asymmetry via Information-Theoretic Modeling for Image–Text Retrieval》被国际重要学术会议 ACM Multimedia 2026 接收。该论文针对多模态学习中的信息不对称问题，提出了一种基于信息论的数据分析与优化方法，为提升多模态模型的数据利用效率提供了新的研究思路。
ACM Multimedia 是国际计算机学会(Association for Computing Machinery，ACM)主办的多媒体与多模态计算领域的顶级国际学术会议，为 CCF-A 类、CORE A *最高评级会议，是全球多模态大模型、具身交互领域公认学术制高点。本次研究成果入选，充分印证 AIM 方法兼具理论创新与工程落地价值。
人工智能正加速从以语言理解为代表的认知智能，迈向能够感知环境、执行任务的行动智能。随着大模型持续演进，视觉、语言等多模态信息融合已成为人工智能发展的重要方向，也为机器人、自主智能体等新一代人工智能应用奠定了技术基础。
与此同时，人工智能的发展正从单纯依赖模型能力提升，逐步转向模型、算法与数据协同优化的新阶段。如何充分挖掘多模态数据价值、提升模型训练效率，成为当前学术界和产业界共同关注的重要课题，也是本次 AIM 研究希望解决的核心问题。
近年来，以视觉语言模型(Vision-Language Model，VLM)为代表的多模态人工智能快速发展。通过学习大规模图像与文本数据，模型能够建立视觉世界与语言语义之间的关联，实现图像理解、跨模态检索、内容生成等能力。
然而，论文指出，传统多模态学习方法普遍面临一个重要挑战：不同模态之间的信息并不是均衡存在的。一张图片可能包含物体类别、空间关系、环境背景、细节属性、行为状态等信息。
而对应的文本描述可能只有一句：“一个人在桌边使用杯子。”视觉信息丰富，而语言信息高度压缩，两者之间天然存在信息差异。
论文将这一现象定义为：跨模态信息不对称 (Cross-modal Information Asymmetry)。这种信息不平衡会导致模型学习过程中出现偏差，影响模型对不同模态之间深层语义关系的理解。事实上，这一问题不仅存在于图文理解任务中，也广泛存在于更复杂的具身智能场景。
当人工智能从数字世界走向物理世界，面对视觉、语言、动作、触觉等多种信息交互时，如何衡量不同数据之间的信息价值，成为影响模型能力提升的重要因素。
针对多模态学习中的信息不对称问题，论文提出了AIM(Asymmetry-aware Information Modeling)方法。其核心思想是：数据价值并不完全取决于规模，而取决于其中包含的有效信息增量。AIM从信息论角度分析不同模态之间的信息缺失程度和不确定性，识别那些能够有效提升模型能力的数据样本，并形成:诊断(Diagnose)—增强(Augment)—优化(Optimize)的数据优化闭环。
一、数据诊断：识别信息缺口
通过构建信息度量指标，AIM能够分析不同样本中的模态差异：哪些样本存在语义信息不足、哪些样本存在跨模态对应困难、哪些数据具有更高的学习价值。相比将所有数据视为同质资源，这种方法尝试刻画不同样本对于模型训练的实际贡献。
二、数据增强：针对性补充有效信息
针对不同类型的信息缺失，论文采用多模态大模型进行定向增强。对于文本信息不足的数据，通过生成更加细粒度、更具视觉依据的描述，增强语言侧信息；对于视觉与语义存在偏差的数据，通过优化视觉样本，提高跨模态语义一致性。相比传统随机扩充数据的方法，这种基于信息缺口的数据增强方式，能够更加精准地提升训练数据质量。
三、训练优化：关注高价值样本
论文进一步提出基于信息价值的训练优化机制，根据样本的信息特征动态调整训练过程。这意味着模型训练不再简单地对所有数据平均处理，而是更加关注那些能够带来能力提升的数据。
实验结果显示，AIM方法在 CLIP、BLIP 等多种视觉语言模型基础上均取得了性能提升，并增强了模型面对复杂数据环境时的鲁棒性。
具身智能的发展目标，是让人工智能从“理解世界”进一步走向“与世界交互”。相比传统图文任务，机器人面对的信息更加复杂。机器人在与现实世界交互的过程中，涉及视觉感知环境、语言理解任务、动作规划执行、力觉触觉反馈和环境动态变化等多重挑战。
这些信息之间同样存在甚至有更加明显的不对称问题。例如，一个机器人完成“拿起桌上的杯子”这一任务，需要同时理解：
视觉信息：
杯子的位置、形状、姿态以及周围环境。
语言信息：
“拿起杯子”的任务目标和约束。
动作信息：
机械臂运动轨迹、关节状态和执行策略。
反馈信息：
抓取过程中的接触状态和力度变化。
但在真实机器人数据采集中，不同模态往往并不完整：
常常面临有视频但缺少对应动作、有动作但缺少环境描述、有成功案例但缺少失败经验、有任务结果但缺少过程反馈的情况。
这些信息缺失，会影响机器人模型对于复杂环境的理解和泛化能力。因此，具身智能真正需要解决的问题，并不仅仅是：“数据是否足够多”。更重要的是：哪些数据最值得学习？哪些经验最具迁移价值？哪些场景需要优先补充？这与 AIM 所倡导的“信息价值驱动的数据优化”理念具有重要的关联和启发意义。
面向未来，具身智能的数据工程需要从规模化采集逐步走向智能化治理。一套面向机器人训练的数据基础设施，不仅需要具备大规模数据采集与存储能力及多模态数据管理能力，还需要进一步具备数据质量评估能力、数据价值分析能力、高价值样本筛选能力与数据增强和持续优化能力。未来人工智能产业竞争的重要方向，将不只是“谁拥有更多数据”，而是：谁能够更好地理解数据、治理数据，并推动数据持续产生价值。
开普云长期深耕人工智能基础设施建设，在大模型计算、大模型应用、智能体平台、数据治理等方向持续探索。面向具身智能发展需求，开普云正在建设具身智能数据基础设施体系，通过提升真实场景数据采集、多模态数据治理、模型训练支撑等能力，推动机器人技术从实验环境走向更加丰富的产业应用场景。
本次 AIM 研究成果所体现的数据价值评估与优化理念，也为未来具身智能数据采集、治理和训练流程提供了重要参考，推动基础研究与产业实践形成更加紧密的结合。
人工智能迈向更高水平发展，既需要基础理论持续突破，也需要产业实践不断验证。高校在前沿算法、基础模型等方面具备深厚科研优势，企业则拥有丰富的场景资源、数据积累和工程化能力。推动二者深度协同，才能加快科技成果向产业应用转化，为人工智能创新发展持续注入新动能。
此次AIM论文成果，是开普云与北京大学联合开展人工智能前沿研究的重要成果，也是双方持续深化产学研合作的阶段性体现。通过基础研究与产业实践双向赋能，进一步探索多模态智能、数据价值挖掘等关键方向，为人工智能技术演进提供新的思路。
未来，开普云将继续携手北京大学及更多科研机构，围绕多模态智能、具身智能、可信人工智能等方向深化协同创新，持续推动前沿技术研究与产业需求深度融合，加快高质量科研成果向实际应用转化，为人工智能产业高质量发展贡献更多创新力量。