“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。
RAG仍将是一大焦点（我们还没有解决它）。
6. Transformer架构的替代方案将得到真正的采用。
但这些预警系统有局限性，存在误报和漏报的情况。
久而久之，蛋仔的玩家群体就形成了一种「集体潜意识」，让整个游戏的氛围和创作形成了正向循环，所以你才能看到这么多感人的游戏行为和UGC创作。