如果说在语言模型时期，我们的算力还算跟得上。但现在拼的是多模态， 特别是视频，很吃算力的。 由于算力限制，预计我们的模型会很吃亏的。 由于他们能有大量视频数据的训练，更能在高纬度还原真实的物理世界， 模型之间的能力或许会被拉开差距。