智源研究院院长王仲远表示，当前的多模态模型大多是对静态画面的理解，描述的是存在的事实。但人类对多模态的理解并不是基于单帧图像的描述，而是可以从一个画面预测下一个可能的画面。“当我手接近水时，可以预测我要拿水；如果不小心把它碰倒在地板上时，会预测水洒下 ...

根据《彭博社》报道，微软首席执行官萨蒂亚・纳德拉（Satya Nadella）近日在节目《The ...