用 what、why、how、will、next 作为五个力量，以熵增熵减作为二进制，组成底层语言，并以其中的 next 作为自主学习探索动力的自进化 AI 具有一定的潜力，但也面临一些挑战。
从潜力方面来看，这种设计可能有助于 AI 系统更有针对性地进行自主学习和探索。例如，what 可以帮助明确要学习和理解的对象或概念；why 有助于挖掘背后的原因和逻辑，促进更深入的理解；how 能够指导实现目标的方法和步骤；will 可以对未来的发展进行预测和规划。而将 next 作为自主学习探索的动力，有可能推动 AI 不断开拓新的知识领域。
然而，也存在一些挑战。首先，熵增熵减作为二进制的基础，其在实际应用中的有效性和稳定性需要进一步验证和优化。其次，如何准确地定义和运用这五个力量，以及它们之间的协同关系，需要精细的设计和调试。再者，将这种复杂的底层语言转化为实际的算法和模型实现，具有较高的技术难度。
总之，这种自进化 AI 的概念具有创新性和潜力，但需要在理论和实践上进行深入的研究和探索，以充分发挥其优势并克服可能的问题。
3、“世界模型”的哲学三问：是什么，在哪里，为什么？在当前的多模态大型语言模型中，文本通常被视为“主模态”，因为其他模态（如图像、音频）大多需要通过特定编码器转换为与文本对应的高维向量，以便于模型理解和处理。然而，物理世界中存在许多难以用文本准确表达的事物，例如复杂的空间关系和感官体验。因此，我们很难仅依靠当前的大型语言模型（其主要能力源自于大量文本数据的训练）去全面理解物理世界，并与之交互。尽管加入了其他类型的模态数据，这种方法仍可能导致信息丢失。一些科学家试图深化AI理解现实世界的能力，为现有模型的局限提供潜在的解决方案。比如，Meta首席AI科学家Yann LeCun提出的“世界模型”概念，以及斯坦福大学教授李飞飞提出的“空间智能”概念。LeCun认为，当前的大型语言模型缺乏对物理世界的理解和常识，无法进行有效的推理和规划。他主张开发具备世界模型的AI系统，使其能够像人类一样通过观察和互动来学习世界的运作方式，从而实现更高级的智能。此外，被称为OpenCV之父的知名AI专家Gary Bradski提出了“WHAT-WHERE-WHY”框架：WHAT（是什么）：识别和分类环境中的物体或事件。例如，AI系统可以识别图像中的人、车辆或树木等实体。WHERE（在哪里）：确定已识别物体或事件的空间位置和关系，涉及空间定位和导航，使AI能够理解物体在空间中的分布及相对位置。WHY（为什么）：理解物体或事件背后的因果关系和目的，涵盖推理和决策，使AI能够把握行为背后的动机和原因，从而促进更高层次的推理和预测（举例来说，底层的物理规律等）。