“I”:视频输入。GPT-4V对视频的理解还相当原始，因为它将视频视为一系列离散图像。减少信息冗余的最聪明方法是什么?学习目标应该是什么?下一帧预测与下一个单词预测有着明显的类比关系，但它是否是最佳的?如何与语言交错?如何引导机器人和人工智能的视频学习?业界尚未达成共识。
与现有风险相比，存在的风险不会引起太多讨论。
虽然科学家在「慢地震」和普通地震之间没有发现绝对的关联，但是有科学家认为:
🔍 这种方法在文本嵌入领域取得了显著的成果，无需使用大量标记数据
腾讯推出的技术 Paint3D 能够根据文本或图像输入，在不具有内嵌光照信息的3D模型上生成高分辨率、无光照的多样化纹理贴图。