視覚と言語が徹底的に分離されることは、今後人間と機械のインタラクションが純粋な対話駆動の画面に変わる可能性を意味し、インタラクションのパラダイムが大きく変わるだろう

币界网消息、AI姨はLatent Spaceポッドキャストで、現在の動画および画像生成モデルは本当に物理世界を理解しているわけではなく、拡散モデルは本質的に物理認知能力を持たないピクセルレベルのレンダラーに過ぎないと指摘した。英偉達のCosmosモデルを例にとると、映像のレンダリングを担当するコア拡散モデルはわずか7bパラメータであり、真の知能中枢は大規模言語モデル（LLM）が担うプロンプトリライターである。最終的な動画の論理的品質と一致度は、ほぼ完全に言語モデルによるプロンプトの書き換え品質に依存しており、拡散モデル自体にはほとんど関係しない。この視覚と言語のデカップリングは、人間と機械のインタラクションが徹底的に再構築されることを示唆している。