현대의 멀티 모달 기술은 NLP를 기반으로 CV를 분석하는 방식으로 간다. 그런데 반대로, 인간이 언어를 시각에 기반해서 학습하고 배우듯이, 시각 data를 이용해서 언어를 학습하는 것은 어떨까?

물론, 학습에 드는 비용 등의 문제가 있겠지만, 좀 더 원초적인 입장에서 언어지능을 형성할 수 있지 않을까