為什麼視頻代理模型是下一個方向 — Ethan He, xAI Grok Imagine
在xAI內部：三個月內構建Grok Imagine，視頻生成與世界模型對比，以及為何Grok Imagine被低估。
近日，xAI前成員Ethan He在Latent Space播客中分享了構建Grok Imagine的經歷。他從NVIDIA Cosmos世界模型轉向xAI，在三個月內帶領小團隊從零打造了Grok Imagine。Ethan強調，視頻模型的能力主要源於語言模型，而非僅依賴視頻數據。他認為，未來視頻生成的方向將是視頻代理，能夠像AI編程一樣進行多輪推理和規劃。此外，快速迭代和修復數據管道中的小錯誤比新算法更重要。他還討論了視頻模型訓練的成本、音頻-視頻對齊的挑戰以及世界模型的定義。最後，Ethan預測視頻代理將成為下一年的趨勢，而生成式用户界面可能取代傳統HTML/CSS。