我们现在最多是提示词生成ai视频，但是有没有一种完整的、有内容有主旨的视频传给大模型，然后他们能识别出文字概括发生了什么呢？ 
这个方向有企业研究吗？是不是一片空白啊？如果真的实现了这种功能，能为我们带来什么？我实在想象不出对人类有什么帮助。 
要是真能实现的话，佬们能不能猜一下大概会用什么技术路线实现的？