本文只是从AI进展的角度聊一聊，皆为个人思考，并非什么专业建议。核心结论就是一个类比：-人类=人眼所见——大脑理解处理——给出反射执行-多模态=AI看见（视频）——数据处理（理解视频里的数据）——执行反馈。即核心就是理解AI看到的画面，重点是视频内的数据处理。-...