“O”:视频输出。2023年，我们看到了文字到视频合成的浪潮:WALT（谷歌）、EmuVideo(Meta)、Align Your Latents(英伟达)、Pika等等，数不胜数。然而，大多数生成的片段仍然很短。我将它们视为AI视频的“系统1”——“无意识”的局部像素运动。
悉尼科技大学的科研人员，通过大语言模型、EEG（大脑活动检测工具）、脑机接口等技术，开发了一个可自动读取人类想法，并转化成文本的AI大模型——DeWave。
炒虾机器人Mobile ALOHA的研发过程中，关键在于模仿学习算法和静态ALOHA数据的共同训练。研究人员通过50个演示让机器人学习不同的任务，从而使其具备了强大的学习能力。机器人可以连续多次完成同一个任务，即使是在训练数据中看不到的情况下，也能够进行正确的操作。这种模仿学习的方法为机器人的开发和应用提供了新的思路，使机器人在各种复杂任务中表现出色。
CoMoSVC实现歌声转换的过程包括几个关键步骤。首先，它设计了一个基于扩散的教师模型，通过学习大量的歌声数据，这个模型能够理解和模仿不同歌手的声音特征。接着，利用自我一致性属性，CoMoSVC进一步提炼出一个学生模型，简化了模型结构，以便于快速有效地进行声音转换。
3）观察人工智能消除和修复所选区域。