让系统主动建模外部世界。
智能系统需要通过自监督学习与预测机制主动建模外部世界，从而形成内部世界模型。通过长期记忆与预测反馈机制，实现从模式识别向认知理解的跃迁。
模式识别是看到这个画面就输出这个标签。认知理解是知道画面里正在发生什么、接下来会怎样。前者是查表，后者是理解。
第 4 章第一节讲自监督学习时，是当作省标注成本的办法来讲的。放在这里它有了另一层意义，让模型通过预测下一步来自己学会世界的规律，不需要人来标注。
认出画面里有一个球，和知道球会往哪滚，差在哪？
把神经网络的学习能力和符号系统的推理能力接在一起。
结合神经网络的表征学习能力与符号系统的逻辑推理能力，使系统同时具备学习能力与结构化推理能力。构建兼具适应性与可解释性的混合智能体系，实现学习与推理的统一。
神经网络能从数据里学，但说不清理由。符号系统推理严密、能给出理由，但规则要人来写。把两者接起来，理论上就能既会学又讲得清。
第 1 章讲人工智能三大流派时提过符号主义和连接主义。这条路径本质上是想把当年分开的两条路重新合起来。
会学习但说不清理由，和讲得清理由但不会学，你选哪个？
智能源于与环境的交互过程。
智能在感知、行动、反馈的循环中逐步涌现。智能体通过身体与环境持续交互，在世界中不断试探、学习与调整行为策略，实现从静态认知智能向动态自主智能的转变。
它认为光靠读文本学不出真正的智能，必须有身体、必须动手、必须在真实世界里撞过墙。这和第一条路径的分歧在于，智能到底是想出来的还是做出来的。
世界模型强调预测，混合智能强调推理，具身智能强调交互。三条并不互斥，很可能最终的答案要三者都用上。
光读书能不能学会游泳？这个问题和通用人工智能有什么关系？
四句话概括这一章。
AI 正在从单点能力走向系统智能。AI 正在重塑科学与产业范式。AI 安全、伦理与治理成为核心约束条件。AI 正在迈向通用智能演进阶段。
第一条对应无人系统和元宇宙，第二条对应AI驱动科学研究，第三条对应安全隐私与伦理治理，第四条对应通用人工智能。
当前AI的能力提升是否真正意味着对智能理解的突破。这个问题这一章没有给答案，因为学界也还没有答案。
能力变强，和真正理解智能，是同一件事吗？
整门课到这里就讲完了。
第 1 章讲AI是什么，第 2 到 4 章讲数学与模型，第 5 章讲生成与大模型，第 6 章讲智能体，第 7 章讲怎么动手做，第 8 章讲前沿与边界。从概念到方法，从方法到实践，从实践到未来。
不是记住多少个模型的名字，而是遇到一个新的AI技术时，知道该问哪几个问题。它解决什么问题、用了什么数据、评价标准是什么、会在哪里出错。
挑一个这一章里最感兴趣的方向，去读一篇原始论文或者跑通一个开源项目。这一章列的每个方向都有公开的代码和数据集。
整门课学下来，你最想深入的是哪个方向？