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 ...

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。