Зір та мова повністю розділені, що означає, що в майбутньому людсько-комп’ютерна взаємодія може перетворитися на чистий діалоговий інтерфейс, парадигма взаємодії зміниться.

Звіт з CoinWorld, AI-тітка зазначила у подкасті Latent Space, що сучасні моделі генерації відео та зображень насправді не розуміють фізичний світ, а дифузійні моделі за своєю суттю є лише піксельними рендерерами без здатності до фізичного пізнання. Візьмемо, наприклад, модель Cosmos від Nvidia, основна дифузійна модель для рендерингу зображень має всього 7 мільярдів параметрів, тоді як справжній центр розуму — це модель великої мови (LLM), яка виконує роль переписувача підказок. Остаточна якість та відповідність логіки відео майже повністю залежать від якості переписування підказок мовною моделлю, а не від самої дифузійної моделі. Така розв’язка між зображенням і мовою передвіщає повну перебудову людсько-машинної взаємодії.