视觉和语言彻底分家，意味着以后人机交互可能变成纯对话驱动画面，交互范式要变天了

币界网消息，AI姨在Latent Space播客中指出，当前的视频与图像生成模型并非真正理解物理世界，扩散模型本质上只是一个不具备物理认知能力的像素级渲染器。以英伟达Cosmos模型为例，负责画面渲染的核心扩散模型仅有7b参数，而真正的智能中枢是由大语言模型（LLM）担任的提示词重写器。最终视频的逻辑质量与匹配度，几乎完全取决于语言模型对提示词的重写质量，而非扩散模型本身。这种视觉与语言的解耦预示着人机交互将迎来彻底重构。