DREAM TO CONTROL= LEARNING BEHAVIORS BY LATENT IMAGINATION
论文使用**RSSM(Recurrent State Space Model)**：使用encoder来编码环境和动作生成latent state, 预测未来latent state，最后基于latent state预测奖励。
奠定世界模型= Intelligence without representation
目前学界广泛认为，世界模型是通往AGI的正确道路。而世界模型这一理念可以追溯到这篇1991年的文章。
寓言
1890 年代的人想造飞机，却只能根据他们零碎的观察去猜。他们看到现代飞机巨大、复杂，于是做了一个错误类比：
“现代飞机又大又重 → 所以重量不是问题。”
这当然荒唐。真正让飞机能飞的前提是升力、功率重量比、材料强度等关键工程指标的平衡。但他们只看到了表象，所以：
- 座椅用实心钢
- 完全不关心重量控制
- 座舱设计完全按马车或汽车类比
- 控制系统用汽车方向盘、油门
- 甚至把“看地面”和“开窗透气”当成关键需求
寓言中的团队觉得项目太大，所以分专业化研究，但他们犯了一个致命错误： 没有系统架构，没有统一指标，没有工程指导思想。
因此：
- 每个小组各做各的
- 没有协调
- 没有明确目标
- 没有性能指标
- 完全不知道“重量、升力、结构”是耦合的
这其实是现代大型项目失败的典型原因。
论文的核心思想：AI 不应依赖内部表征，世界就是模型
Brooks 的核心观点用一句话总结就是：
智能不是“建模世界 + 推理”的结果，而是“直接在世界中行动”的结果。世界本身就是模型，不需要额外的表征。
传统 AI（symbolic AI）强调：
- 先感知世界形成表征
- 用表征进行内部推理
- 规划行动
Brooks 强烈反对。他认为：
- 显式表征只会拖慢系统、增加错误来源
- 真正的智能首先来源于“行动”而非“思考”
- 复杂智能应从简单行为逐层堆叠，而非从复杂推理开始
这种思想后来直接催生了：
- 行为式机器人学
- Embodied AI
- Subsumption Architecture
- 深度强化学习中“end-to-end from pixels to actions”的理念
- 现代多模态 agent 的行为驱动架构
Brooks 的方法强调直接耦合感知与动作，由多个独立行为层并行运行，无中心控制，无统一世界模型。
Feature Pyramid Networks for Object Detection
识别不同尺寸的物体是目标检测中的一个基本挑战，而特征金字塔一直是多尺度目标检测中的一个基本的组成部分，但是由于特征金字塔计算量大，会拖慢整个检测速度，所以大多数方法为了检测速度而尽可能的去避免使用特征金字塔，而是只使用高层的特征来进行预测。高层的特征虽然包含了丰富的语义信息，但是由于低分辨率，很难准确地保存物体的位置信息。与之相反，低层的特征虽然语义信息较少，但是由于分辨率高，就可以准确地包含物体位置信息。所以如果可以将低层的特征和高层的特征融合起来，就能得到一个识别和定位都准确的目标检测系统。所以本文就旨在设计出这样的一个结构来使得检测准确且快速。
Deformable Convolutional Networks
Used in [[CenterNet]]
Associative Embedding= End-to-End Learning for Joint Detection and Grouping
Q&A
1
What is standard dense supervised learning? Mentioned in [[CenterNet]].
Standard dense supervised learning typically refers to a supervised learning setup where:
- Standard supervised learning means:
- You have input data X and corresponding ground truth labels Y.
- The goal is to train a model $f_\theta(X)$ that maps inputs to outputs by minimizing a loss function (e.g., cross-entropy, MSE) between the predicted labels and ground truth.
- The training dataset is fully labeled (i.e., each input has a corresponding label).
- Dense refers to:
- A per-pixel or per-element prediction task, where every element in the input gets a corresponding label.
- Common in vision tasks like:
- Semantic segmentation (each pixel is labeled with a class).
- Depth estimation (each pixel has a depth value).
- Optical flow (each pixel has a motion vector).
- Surface normal estimation (each pixel has a 3D orientation vector).
In contrast to sparse supervision, where only a subset of the input (e.g., bounding boxes, keypoints) is labeled, dense supervision provides full annotations for every relevant part of the input.
Example
In semantic segmentation:
- Input: an RGB image (e.g., 512×512 pixels).
- Output: a label map of the same size (512×512), where each pixel has a class label like “road”, “car”, “sky”, etc.
- Model: often a Fully Convolutional Network (FCN) or encoder-decoder like U-Net or DeepLab.
- Loss: usually pixel-wise cross-entropy.
