果然做过的人的分享就是不一样，Laten Space 访谈了

Ethan He，罗列一些观点：

1. 模型进步速度，来自于团队迭代速度。

2. 模型质量提升，往往不来自新算法，而是来自修数据和训练流程里的BUG（最近好多研究员播客访谈都提到类似观点）

3. 视频模型训练需要文本视频对标注，画面描述要详细到让盲人听完文字，能在脑海中重建这段视频。

4. GPT Image 生成一张图要几分钟，大部分时间不是在生成像素，而是在"思考"重写提示词。

5. 让语言模型描述音乐细节，就像让盲人描述颜色一样困难。

6. 扩散模型会成为人机交互的前端层，用户看到的所有界面都由生成模型实时渲染。

7. 人类的最大输入带宽是视觉（看），最大输出带宽是语音（说）。

在脑机接口普及前，最自然的人机交互方式，是用户说话，AI 用生成式画面回应。