在非洲国家，我预计在三年左右的时间里会看到类似的使用水平。这其中仍然存在差距，但它比我们在其他创新中看到的滞后时间要短得多。”
“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。
哈佛大学地球与行星科学教授Brendan Meade能够使用神经网络预测余震的位置。加州理工学院的Zachary Ross和其他研究人员使用深度学习技术从噪声水平很高的数据中分辨出地震信号，从而使得科学家检测出更多的地震。
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。
尽管HandRefiner主要针对手部图像，但其基本原理和技术也可以适用于其他需要精细修正的图像生成任务，比如修正脚或耳朵等部分。