Maty Staniszewski，ElevenLabs 创始人。

课程名称从 “Security at Scale” 和 “Infrastructure at Scale” 演变为 “Frontier Systems”

把机器人当作一个强监督学习看到的图像（所有 camera image）控制指令（control command）把这些作为 (x, y) 输入给大模型或小模型，学习一个。

原则实现方式自主性标准智能体循环，持续推进时间掌控Heartbeat（活跃感）+ Cron（规划未来）灵活性所有关键组件提供插件接口个性化Skills 和 Tools 增强功能。

原则实现方式自主性标准智能体循环，持续推进时间掌控Heartbeat（活跃感）+ Cron（规划未来）灵活性所有关键组件提供插件接口个性化Skills 和 Tools 增强功能。

组件作用关键参数Tokenizer字符 ↔ token ID 双向映射Batcher批次数据采样Model简单 embedding + linearGenerate自回归文本生成逐 token 采样Train交叉熵损失 + 优化器语言模型本质上是在学习语料中无数个"上文发展成下文"的事实，神经网络将这些事实的规律编码到参数中，从而具备泛化能力。

数学层：矩阵运算、激活函数、损失函数自动微分层：计算图构建、拓扑排序、反向传播胶水层：模型定义、训练循环、参数更新最终在MNIST数据集上达到约89%的准确率，验证了框架的正确性和教育价值。代码量约1000行，便于理解深度学习框架内部工作原理。

在 AI 时代，烂代码的代价比以往任何时候都更高。软件基础原则。

规则驱动→ 完全手写规则，死板不可扩展模仿学习→数据驱动，但依赖数据分布，是黑盒世界模型 + 强化学习→ 解决长尾数据问题 + 行为可控制VLA / 车端世界模型→ 可解释 + 预测能力，但受限于车端算力各自处于哪个阶段，以及在各自阶段内的工程实现能力。

规则驱动→ 完全手写规则，死板不可扩展模仿学习→数据驱动，但依赖数据分布，是黑盒世界模型 + 强化学习→ 解决长尾数据问题 + 行为可控制VLA / 车端世界模型→ 可解释 + 预测能力，但受限于车端算力各自处于哪个阶段，以及在各自阶段内的工程实现能力。