与梅涛院士的 3 小时访谈：语言、视频、具身终将汇聚，为什么是世界模型？

智象未来 HiDream 创始人梅涛在访谈中提出"图片是入口，视频是过程，世界模型是终局"，认为语言、视频、具身终将汇聚。他 2017 年做出全球首篇文生视频论文 TGANs-C，如今带队探索取消外部 VAE 的 UiT 架构，并称架构领先只能维持六个月。他判断多模态仍处 GPT-2 阶段，"像素没有统计意义"，世界模型更像一组模型家族而非单一模型。