![](data:image/svg+xml;utf8,<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 24 24" fill="none" stroke="%23D95C41" stroke-width="1.8" stroke-linecap="round" stroke-linejoin="round"><line x1="12.1" y1="11.9" x2="18.9" y2="8.2" /><line x1="12.1" y1="12.1" x2="20.3" y2="12.9" /><line x1="12.2" y1="12.4" x2="16.6" y2="19.1" /><line x1="11.8" y1="12.4" x2="7.3" y2="19.2" /><line x1="11.9" y1="12.1" x2="3.7" y2="13.3" /><line x1="11.8" y1="11.7" x2="7.8" y2="4.4" /></svg>)
课程路线图
本课程路线图
每一步都有配套的代码项目。遇到问题时回来翻对应章节，比通读完再动手更有效。
下一讲
L02 从一个具体问题出发：如何把 64×64 的像素图像压缩成一个紧凑的潜在向量 z？ 这是变分自编码器（VAE）的任务，也是整个 Dreamer 流水线的第一块砖。
压缩好之后，我们把 z 接入动态模型，让它学会预测"下一时刻的 z 会是什么"，这就是 RSSM。完成 L02，你会亲手写出世界模型最关键的两个模块，并从真实的损失曲线里看到它们是怎么学起来的。
本讲无需任何数学或代码基础。如果你对 Craik、Ha & Schmidhuber 或 Dreamer 的原始论文感兴趣，参见 L05 延伸阅读。
延伸阅读
- Craik, K.J.W. The Nature of Explanation. Cambridge University Press, 1943.
- Ha & Schmidhuber (2018): World Models：V/M/C 三模块框架，梦中训练的原始论文
- Hafner et al. (2019): Dream to Control (Dreamer V1)：RSSM 与潜在 Actor-Critic 的首个端到端实现
- LeCun (2022): A Path Towards Autonomous Machine Intelligence：JEPA 框架与世界模型作为认知核心的论点