‏Sora بعدی یه مدل بهتر نیست؛ یه ایجنته

پادکست Latent Space این بار میزبان اتان هی بوده: مهندسی که اول رهبری world model معروف Cosmos رو توی انویدیا به عهده داشت و بعد به xAI رفت و اونجا با یه تیم کوچیک، مدل تولید ویدیوی Grok Imagine رو از صفر — بدون زیرساخت، داده و مدل قبلی — توی سه ماه ساخت و منتشر کرد.

ادعای جنجالی او اینه که مدل‌های ویدیویی هوش‌شون رو عمدتاً از LLMها می‌گیرن، نه از آموزش روی داده ویدیویی؛ و مرز بعدی world modelهای تعاملی و بلادرنگ هم از مسیر مدل‌های زبانی می‌گذره. خلاصه‌ش در یه جمله: «Sora بعدی یه مدل ویدیویی بهتر نیست، یه ایجنت ویدیوییه.» تولید رسانه قراره مسیر تکامل کدنویسی با AI رو بره: از خروجی یک‌ضرب به سیستم‌هایی که برنامه‌ریزی می‌کنن، تولید می‌کنن، ویرایش و نقد می‌کنن و دوباره تکرار می‌کنن. حالت Agent Mode خود Grok Imagine هم الان نسخه بتای همین ایده‌ست.