刘壮教授在访谈中指出，AI领域的最大瓶颈是记忆，而非能力。他认为架构选择不如数据规模和计算能力重要，现有数据集的多样性低于预期。大语言模型在语言空间有世界模型，但在视觉空间尚未实现。尽管AI在低层次任务上表现良好，但在自主科研和复杂问题上仍需人类参与。

刘壮和陈丹琦团队推出了开源视觉推理强化学习框架Vero，支持多种视觉任务，克服了单一任务训练的局限性。Vero通过600K高质量样本和任务路由奖励机制，在多项基准测试中超越现有模型，展示了广泛数据对视觉推理的促进作用。

抱歉，提供的文本内容过于简短，无法进行有效总结。请提供更详细的文章内容。

何恺明与Yann LeCun合作提出了一种新型Transformer架构Dynamic Tanh（DyT），可替代传统归一化层。DyT通过可学习参数实现输入的非线性压缩，实验结果显示其在多项任务中表现优于或等同于传统方法，且无需调整超参数，具有提升训练和推理速度的潜力。

多模态大模型（MLLM）在视觉理解领域取得进展，研究者提出了视觉预测指令调整（VPiT），有效结合视觉理解与生成。通过微调，MetaMorph模型展现出强大的视觉生成能力，强调理解数据对生成性能的重要性，发现理解与生成能力相辅相成。

刘壮将于2025年9月成为普林斯顿大学助理教授。他开发了DenseNet和ConvNeXt，在深度学习和计算机视觉领域具有重要影响。他曾就读于清华大学和加州大学伯克利分校，并在Meta AI Research工作。他的研究挑战传统观念，近期关注数据集偏差问题。未来，他将在学术界探索新方向。