相较于机器，人类在婴儿时期便会运用各种感官来主动接受周围环境的信息，去学习庞大的知识。在学习一定的常识后，便会主动将其进行归类，从而将“知识”与“认知”建立联系。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
但机器不同于人类，他们对世界的认知很大程度上取决于数据投喂的数量与质量。但是，这种机械性学习，无法让他们彻底了解事物之间的联系，以及具体的运行规律。如果要让机器看上去拟人，则需要我们人为地将这些“联系”。听上去虽然容易，但实际的工作量却相当庞大。
在这个学习方向上，学界一直存在一些争议。一种倾向是在现有结构上进行优化，将开发好的神经元结构与当前的模型结合起来；另一种倾向则是重新开发，训练人工智能模仿人类婴儿学习基础知识，教会它们主动获取知识
教会AI彻底向人类一样思考显然很难在短时间内实现，因此当前的研发方向更多地是对垂直领域进行深耕，令其掌握单个领域的知识与运作规律。那么，为什么要让AI先学习科学知识，而不是我们认知中的常识呢？
这其中涉及到数学领域，AI的运作，本身是建立在一个个数学模型之上。从物理的角度，公式的运算能够让AI推算出相关运动轨迹，掌握实现该现象的原理。在进行学习之后，便能令其在无标签的情况下，对同类动作进行自动运算。当然，即便已经拆解成单个领域，但所涉及的知识量仍旧十分巨大。
将复杂的问题简化，可以帮助我们更快地解决眼前的困难。对于难以解决的大问题，我们可以将其拆分成一系列小问题，逐个攻克，寻找其中的基本规律，以提高解决问题的效率
