为什么视频代理模型是下一个方向 — Ethan He, xAI Grok Imagine
在xAI内部：三个月内构建Grok Imagine，视频生成与世界模型对比，以及为何Grok Imagine被低估。
近日，xAI前成员Ethan He在Latent Space播客中分享了构建Grok Imagine的经历。他从NVIDIA Cosmos世界模型转向xAI，在三个月内带领小团队从零打造了Grok Imagine。Ethan强调，视频模型的能力主要源于语言模型，而非仅依赖视频数据。他认为，未来视频生成的方向将是视频代理，能够像AI编程一样进行多轮推理和规划。此外，快速迭代和修复数据管道中的小错误比新算法更重要。他还讨论了视频模型训练的成本、音频-视频对齐的挑战以及世界模型的定义。最后，Ethan预测视频代理将成为下一年的趋势，而生成式用户界面可能取代传统HTML/CSS。