作为卷积神经网络与深度学习的关键推动者之一，杨立昆在这本书里既回顾了自己几十年的研究轨迹，也坦率表达了对「通用人工智能近在咫尺」这类论调的保留态度——他认为真正的难关还没被攻克。
| 维度 | 已建成 | 未攻克 |
|---|---|---|
| 成熟度 | 感知任务已实用 | 推理与常识仍薄弱 |
| 方法 | 监督学习见效快 | 自监督是下一站 |
| 乐观度 | 工程成绩亮眼 | 对 AGI 临近论保守 |
卷积网络先驱、图灵奖得主，长期倡导让机器像婴儿一样从观察中学习。
一种让模型自动学习「局部特征」的网络结构，是视觉识别革命的引擎。
让模型从数据自身找监督信号，而非依赖海量人工标注，被认为是通向更通用智能的路径。
作者设想机器应内部构建一个对世界的预测模型，才能像人一样理解与规划。
他反复提醒：会下棋、会聊天，不等于拥有了人类水平的智能。
回顾童年与求学，如何被「让机器智能」这个问题吸引。
起点讲述关键结构如何被提出、又如何被长期冷落。
突破算力与数据到位后，旧想法迎来春天。
爆发坦诚列出常识、因果、世界模型等尚未翻越的山头。
留白我们造出了会看会听的机器，却还没造出真正理解的机器。
大多数智能，应该来自观察世界本身，而不是来自人类手把手的标注。
把一次比赛的胜利，当成通用智能的临近，是一种危险的误读。
科学最迷人的地方，是承认自己还不知道。
婴儿在头两年学到的东西，比我们最好的算法还多。
用 AI 工具时不神化它，清楚它擅长模式、不擅长因果。
对位 · 能力边界做数据项目时，优先考虑如何从数据自身获得监督信号。
对位 · 自监督学习在泡沫叙事里， retained 一份对「什么还没解决」的清醒。
对位 · 冷思考跟踪「让模型预测世界」这条前沿路线，它可能定义下一阶段。
对位 · 世界模型作者几十年的冷板凳说明：方向对，耐心比风口重要。
对位 · 科研态度读一手科学家的自述，比读二手热文更接近真相。
对位 · 信息源选择