“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。
9. 多模态AI将成为新常态。苹果公司的Ferret和特斯拉的FSD正在引领潮流。但挑战也会随之而来。视觉、听觉，甚至是感觉?
研究讨论了基于扩散的盲目恢复方法，当应用于降级的面部图像时，可能无法有效保留个体的独特身份。研究人员强调了以前在基于参考的面部图像恢复方面的努力，引用了各种方法，如GFRNet、GWAINet、ASFFNet、Wang等，DMDNet和MyStyle。这些方法利用单个或多个参考图像来实现个性化恢复，确保对降级图像中个体独特特征的更好保真度。与以往方法不同，提出的技术使用基于扩散的个性化生成先验，而其他方法使用前馈架构或基于GAN的先验。
值得一提的是，在2023年内，苹果股价累计上涨了49%。
Paint3D 能够根据文本或图像输入，在无纹理的3D模型上生成高分辨率、无光照的多样化纹理贴图。这项技术的主要目标是使生成的纹理能够被重新照明或重新编辑，并直接应用于现有的渲染管线。