不是视频模型“学习”慢，而是LLM走捷径｜18万引大牛Sergey Levine

主要观点总结

文章主要探讨了语言模型与视频模型在人工智能领域的学习机制，并对比了两者的优劣。文章还通过“柏拉图洞穴”的比喻，描述了AI系统的现状，并探讨了AI如何更好地模拟人类智能的问题。

关键观点总结

关键观点1: 语言模型与视频模型的差异

文章讨论了语言模型和视频模型在人工智能领域的学习机制。尽管视频数据包含更丰富的信息，但语言模型在预测下一个词的过程中却能学到很多，而视频模型在预测下一帧时学到的却很少。

关键观点2: 柏拉图的洞穴理论在AI领域的应用

文章借用“柏拉图洞穴”理论来比喻AI系统的现状。AI通过语言模型学习人类的知识和思维方式，但这些知识是间接的反映，并没有真正理解世界。

关键观点3: AI如何走出洞穴的讨论

文章讨论了AI如何更好地模拟人类智能的问题。虽然目前AI已经实现了对人类认知的部分模拟（如推理、生成），但还需要突破对文本的依赖，通过传感器直接与物理世界交互，自主探索。

正文

请到「今天看啥」查看全文

一些研究者推测，人类心智的复杂性和灵活性源自于大脑中应用的一个 单一算法 ，通过这个算法可以实现所有多样化的能力。

也就是说，AI如果能复现这个终极算法，人工智能就能通过经验自主获取多元能力，达到人类智能的高度。

在这个探索过程中，语言模型取得了非常成功的突破。

甚至，LLMs实现能力跃升背后的算法（ 下一词预测+强化学习微调 ），也非常简单。

单一终极算法 假设似乎就是AI模型的答案……

然而，这个假设对视频模型并不适用。

语言模型与视频模型的对比

早在基于Transformer的语言模型出现之前，AI研究人员就已经忙着研究一个看似非常相似的问题：

就像LLM通过预测来自网络文本数据的下一个词来学习一样，视频模型也可能通过预测视频数据的下一个帧来学习。

甚至从数据上来说，视频数据比文本数据包含的信息更丰富，那么预测下一帧得到的认知会远比预测下一词得到的认知更全面。

请到「今天看啥」查看全文