甚至从数据上来说，视频数据比文本数据包含的信息更丰富，那么预测下一帧得到的认知会远比预测下一词得到的认知更全面。 就像文章中举出的例子：我们并不能用Veo 3估算夏威夷群岛的岩石体积是否比珠穆朗玛峰更大，但ChatGPT却可以回答这个问题。

对此，有评论者提出：视觉、语言、行动系统就像独立的洞穴，如果能够通过共享结构建立桥梁，可能就不需要逃离“洞穴”，跨模态连接就成了探索过程中的挑战，需要找到一个连接这些模态的统一的方法。

markdown 人工智能领域再次引发热议，UC伯克利大学计算机副教授、Google Brain 研究员 Sergey Levine 近日抛出一个引人深思的观点：为什么语言模型（LLM）能从预测下一个词中快速学习，而视频模型却步履维艰？Levine ...

性萧条，它不只是床笫的冷却，却是对未来想像逐渐冷却的事实、是人口结构危机的前奏、是一个社会心理和经济状况严重失衡的后果。萧条，这个常用来形容经济大衰退，全民进入勒紧裤带日子的形容词，有了新的搭配─性萧条。没错，就是那个饮食男女，男欢女爱的性，如今有了 ...