他同时认为，常识就是有填补空白的能力，由此，机器必须有「预测」的能力，这也就是他所提出的预测学习（predictive learning）的概念，也就是从提供的任何信息预测过去、现在以及未来的任何一部分。或者，你也可以称其为「无监督学习（unsupervised learning）」。

　　他同时用了一个例子为我们对比了「强化学习」、「监督学习」以及「无监督学习」之间的区别，我们可以看到他们在需要收集的信息量上有着很大的差距，但同时导致的学习结果也就不太相同。

　　经典基于模型的最优化控制过程（Classical model-based optimal control）

　　之后，Yann LeCun 介绍了经典基于模型的最优化控制过程（Classical model-based optimal control）。即利用初始控制序列对世界进行仿真，调整控制序列利用梯度下降法对目标进行最优化，再进行反向传播。

　　随后，他又为我们介绍了人工智能系统的架构。他给出了一个公式：预测+规划=推理。他表示，「智能」的本质就是要有预测的能力，我们需要提前计划，去模拟这个世界，然后采取行动以最小化预测的损失。

　　最终得出结论：我们需要的是基于模型的强化学习（Model-based Reinforcement Learning）。

　　机器去学习能够预测世界的模型

　　下面这一部分是关于机器如何学习能够预测世界的模型。

　　实体神经网络（RNN）

　　然后，他也介绍了「根据文本推断世界的状态：实体 RNN」

　　下面这部分谈到了对具有记忆模块的增强神经网络（Augmenting Neural Nets）的使用

　　这部分谈到了实体循环神经网络（Entity Recurrent Neural Net）的作用：

维持一个对于当前世界状态的估计

每一个网络都是一个带有一个记忆的循环网络

每一个输入事件都会导致记忆单元获得一些更新

　　这里提到了塑造能量函数（Energy Function）的 7 种策略

　　对抗训练（Adversarial Training）