“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。
因为公开信中的措辞，遭到更大范围吐槽的花西子连登热搜。此后，不论是直播间送眉笔还是微博在线“发疯”，亦或强硬输出品牌愿景、解释价格质疑，都没能缓解花西子的糟糕处境。
对此，加州理工学院地球物理学家、美国地质调查局前高级科学家Tom Heaton就曾这样怀疑:我们根本无法预测地震。
虽然科学家在「慢地震」和普通地震之间没有发现绝对的关联，但是有科学家认为:
其次是保持一致性，修正手部的同时不会影响图像的整体质量，保持了图像其他部分的一致性。另外，HandRefiner利用合成数据进行训练，这使得它能够有效地处理真实手和合成手之间的域差异，学习不同手的样子，并找到合适的方式来修正手部。