“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。
以下是2024年的八项AI预测:
未来，谁能更快吸引专业人才加入，谁能尽快适应品牌直播的快节奏、强创意，谁就能先行一步。
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。
Pile还可以用来搜索特定的日记内容。如果你需要找到某个特定的事件或想法，只需输入相关的关键词，AI就会帮助你找到相应的日记条目。这使得整理和查找日记变得更加便捷和高效。