语言模型与视频模型的对比 - 语言模型通过预测下一个词学习，取得了显著成功，其算法为下一词预测+强化学习微调[9][10] - 视频模型通过预测下一帧学习，但效果远不如语言模型，尽管视频数据信息更丰富[13][14][17] - 语言模型能解决复杂问题和推理，而视频模型仅能生成逼真视频[19][20] 语言模型的优势与局限性 - 语言模型调用人类总结的知识，模仿已有推理结果，形成"抄近路"效应[22][24] - 语言模型仅接触文本"影子"（人类认知投影），却比直接观察物理世界的视频模型更具推理能力[25] - 语言模型是对人类认知的"逆向工程"，而非真正理解世界[26][33] 柏拉图洞穴的类比 - 互联网被比作洞穴，真实世界比作洞穴外阳光，AI通过语言模型学习人类知识如同看到洞穴墙壁上的影子[31][32] - AI目前依赖人类中介（文本数据），长期目标是通过传感器直接与物理世界交互[34][35] - 跨模态连接被视为突破洞穴困境的潜在方法，需建立视觉、语言、行动系统的共享结构[35] 研究背景与作者观点 - 人类心智复杂性可能源自单一算法，AI复现该算法可达到人类智能高度[7][8] - 作者Sergey Levine为UC伯克利副教授兼Google Brain研究员，学术引用18万次[2][3] - 研究提出AI需突破"影子依赖"，将语言模型作为通用AI的起点[34][35]