“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。
4. 机器人将加速发展。Optimus将取得巨大进步，许多其他机器人公司也将发布更新。
虽然不少国货品牌从产品到营销和外国品牌仍然存在客观上的差距，但不少网友仍然愿意给国货更多宽容。这是一股极为庞大的力量，能否与网友共情则决定了品牌能否调动这股力量。
CoMoSVC实现歌声转换的过程包括几个关键步骤。首先，它设计了一个基于扩散的教师模型，通过学习大量的歌声数据，这个模型能够理解和模仿不同歌手的声音特征。接着，利用自我一致性属性，CoMoSVC进一步提炼出一个学生模型，简化了模型结构，以便于快速有效地进行声音转换。
其次是保持一致性，修正手部的同时不会影响图像的整体质量，保持了图像其他部分的一致性。另外，HandRefiner利用合成数据进行训练，这使得它能够有效地处理真实手和合成手之间的域差异，学习不同手的样子，并找到合适的方式来修正手部。