以下是對視覺語言模型 (VLM) 和視頻動作模型 (VAM) 之間區別的精彩分析。 VLM 和 VAM 功能強大，在感知、檢索、搜索和語義理解方面表現出色。 如果你想查找、分類或推斷世界中的事物，VLM 無可匹敵。 但物理人工智能在其他方面存在不足：運動、因果關係和動態性。 這就是視頻數據和世界模型發揮作用的地方。 它們學習的是世界如何隨時間演變，而不僅僅是物體的名稱。 未來並非只有 VLM 或世界模型，而是兩者兼備。 VLM 用於理解和檢索現實，世界模型用於模擬現實、測試現實並訓練其中的智能體。 不同的工具，不同的層面，但目標相同：打造真正能在現實世界中工作的機器。 twitter.com/AlirezaGhods2/stat...