八项能力里的第一项，看懂这个世界。
系统应能够识别物体、理解场景结构与空间关系，并在光照变化、遮挡或噪声干扰下保持稳定感知能力。同时还需理解动态环境中的运动规律，实现对外部世界的整体认知。
左边是把街景里的车辆、行人、交通标志一个个框出来，右边是把整个画面按类别涂成不同颜色。前者是识别物体，后者是理解场景结构，两件事的难度不一样。
天气好的时候认得准不算本事，逆光、下雨、被挡住一半时还认得准才算。第 4 章讲的鲁棒性和本章讲的对抗攻击，说的都是这件事。
一辆车被树挡住了一半，你怎么知道那是一辆车？
不只是听清，还要听懂语气和情绪。
不仅要区分语音与噪声，还需理解语气、情绪及非语言声音信息。通过整合语义与声学信息，实现自然、情境化的人机交互。
同一句你行啊，可以是称赞，也可以是讽刺。字面完全一样，只能靠语气分辨。现在的语音识别把它转成文字之后，这个信息就丢了。
叹气、笑声、停顿、犹豫。这些不是词，但携带的信息量很大。人天然会注意这些，模型要专门学。
同一句话用不同语气说，意思能差多少？
智能从认知向行动的延伸。
系统应能够完成抓取、组装等复杂操作，并在新环境中快速适应物理变化。第一句是能做，第二句是换个地方也能做，后者难得多。
左边是从一堆杂乱的日用品里挑出指定的东西放进碗里，右边是工业机械臂在流水线上作业。工业场景物体固定、位置固定，家庭场景什么都在变。
工厂里的零件永远在同一个位置、同一个姿态。你家的碗每次摆的位置都不一样，还可能是湿的、油的、缺了个口的。这就是第 19 页讲具身智能时说的物理世界的复杂性。
工厂机械臂已经很成熟，为什么家务机器人还没普及？
在多语言、多语境中理解语义、语用与隐含意图。
语义是这句话字面说了什么，语用是这句话在这个场合实际想表达什么。你说这屋里有点冷，语义是陈述温度，语用可能是让人关窗。
人说话大量依赖共同的背景知识。你说明天再说吧，对方就知道今天这事到此为止。这层意思一个字都没说出来，全靠语境。
八项能力里，自然语言理解是大模型进展最快的。这也是为什么第 87 页那张雷达图里语言流利度那一项几乎满格。
这屋里有点冷这句话，可能是什么意思？
在信息不完整的情况下抽象建模、逻辑推理与多路径决策。
复杂问题、信息整合、推理分析、方案生成、评估选择、最优决策与执行，底下还有一条反馈与迭代优化的回路。这和第 6 章讲的智能体闭环几乎一样。
考试题的条件都给全了，现实问题从来不给全。医生看诊时病人说不清楚，工程师排故时数据缺失。要在缺信息的情况下先做个合理假设再往下推，这是人的强项。
图上方案生成那一格列了方案A、B、C。不是想出一个就照做，而是同时准备几套，比较之后再选。这和第 5 章讲的思维树是同一个思路。
条件不全的题，人是怎么做出来的？
感知障碍物、地形变化并进行路径规划与风险预测。
系统应能够感知障碍物、地形变化并进行路径规划与风险预测。在复杂动态环境中实现自主决策与持续调整。关键在动态两个字，环境一直在变。
左边是无人艇在海面上规划航线，粉色的带子是它算出来的路径。右边是室内机器人的二维点云地图，黄线是从起点到目标的全局路径。一个在开阔水面，一个在狭窄室内，问题形态完全不同。
单纯避开当前的障碍不难，难的是预判那个正在移动的东西下一秒会到哪。这需要对环境有预测能力，也就是第 86 页讲的世界模型。
规划一条路和走完这条路，哪个更难？
跨领域重组知识，在未知问题中生成原创方案。
需能够跨领域重组知识，在未知问题中生成具有原创性与实用性的解决方案。其创造能力应超越简单数据组合，实现真正意义上的创新生成。
把两个已知的东西拼在一起算不算创造，这是个很难回答的问题。第 43 页的 AlphaTensor 找到了人类没发现的矩阵乘法算法，第 42 页的 ESM3 生成了自然界没有的蛋白质。这两件事看起来已经越过了简单组合。
有人认为这仍然是在已有的解空间里搜索，只是搜得比人快、比人全，算不上真正的创新。这个争论目前没有定论。
把两个已有的想法拼在一起，算不算创造？
识别面部表情、语调与肢体语言，并理解人类情绪状态。
系统应能够识别面部表情、语调与肢体语言，并理解人类情绪状态。在交互过程中调整行为方式，实现符合社会规范的自然沟通。第二条比第一条难得多。
识别出对方在生气不难，难的是知道这时候该说什么、不该说什么。同一句安慰的话，对不同的人、在不同的场合，效果可能完全相反。
左边是人机交互中的表情识别系统，把面部表情分成愤怒、中性、开心、恐惧、惊讶、悲伤、厌恶几类。右边是给一张笑脸打的各项分数。识别到这一步已经比较成熟，理解和应对还差得远。
知道对方在生气，和知道该怎么办，差多远？