diff --git a/4.人工智能/4.1前言.md b/4.人工智能/4.1前言.md
index 85c1efc..efbf655 100644
--- a/4.人工智能/4.1前言.md
+++ b/4.人工智能/4.1前言.md
@@ -30,9 +30,9 @@
在这个时代，相关内容是非常泛滥的，我们不会自己写过多的内容，最主要的是引导大家有一条清晰的路线。同时，我们也会在这里加入一些经典或优秀论文的解读等内容。
-# AI 的大致方向分类
+# 深度学习 的大致方向分类
-本模块会粗略地介绍目前 AI 的研究与应用领域，在这里提前说明：笔者也只是一名普通的杭电学生，视野与认知有限，某些领域我们了解较多就会介绍地更加详细，某些领域了解较少或笔者中无人从事相关研究，就难免会简略介绍甚至有所偏颇，欢迎大家的指正。
+本模块会粗略地介绍目前审读学习的研究与应用领域，在这里提前说明：笔者也只是一名普通的杭电学生，视野与认知有限，某些领域我们了解较多就会介绍地更加详细，某些领域了解较少或笔者中无人从事相关研究，就难免会简略介绍甚至有所偏颇，欢迎大家的指正。
## CV(计算机视觉)
@@ -84,12 +84,24 @@
因为传统 AI 训练一般都需要数据集标注，比如说图片分割数据集需要人工在数万张图片上抠出具体位置，才能进行训练，这样的人力成本是巨大的，而且难以得到更多数据。因此，对比学习应运而生，这是一种不需要进行标注或者只需要少量标注的训练方式，具体可见[对比学习](https://gw9u39xwqi.feishu.cn/wiki/wikcngR1r66tof102Aof4WywlXf) 。
-## 经典机器学习算法
-
-是老东西了，速速爆金币
-
-现在一般在数据分析领域使用，研究领域基本不拿它做文章了，大家可以去了解，但是深挖下去难度极大。如果你在阅读其他领域论文中遇到拿机器学习老算法文艺复兴的，可以看看我们写的[传统机器学习算法](https://gw9u39xwqi.feishu.cn/wiki/wikcnjgNF9bpP5f03abEiSG2aXe)
-
## 强化学习
-这块我们涉猎较少，你可以理解为训练 AI 打游戏~
+强调模型如何依据环境（比如扫地机器人在学习家里的陈设，这时陈设就是环境）的变化而改进，以取得最大的收益（比如游戏得到最高分)。
+
+强化学习是除了监督学习和非监督学习之外的第三种基本的机器学习方法。与监督学习不同的是，强化学习不需要带标签的输入输出对，同时也无需对非最优解的精确地纠正。其关注点在于寻找探索（对未知领域的）和利用（对已有知识的）的平衡。 -------wiki
+
+# 交叉学科&经典机器学习算法
+
+交叉学科巨大的难度在于你往往需要掌握多个学科以及其相对应的知识。
+
+举个例子：如果你想要做出一个可以识别病人是否得了某种疾病，现在你得到了一批数据，你首先得自己可以标注出或者找到这个数据中，哪些是有问题的，并且可以指明问题在哪，如果你想分出更具体的，比如具体哪里有问题，那你可能甚至需要熟悉他并且把他标注出来。
+
+目前其实全学科都有向着AI走的趋势，例如量化金融，医疗，生物科学（nature的那篇有关氨基酸的重大发现真的很cool)。他们很多都在用非常传统的机器学习算法，甚至有的大公司的算法岗在处理某些数据的时候，可能会先考虑用最简单的决策树试一试
+
+当然，在大语言模型出现的趋势下，很多学科的应用会被融合会被简化会被大一统(科研人的崇高理想），但是不得不提的是，传统的机器学习算法和模型仍然希望你能去了解甚至更进一步学习。
+
+除了能让你了解所谓前人的智慧，还可以给你带来更进一步的在数学思维，算法思维上的提高。
+
+# And more?
+
+我们对AI的定义如果仅仅只有这些内容，我认为还是太过于狭隘了，我们可以把知识规划，知识表征等等东西都可以将他划入AI的定义中去，当然这些还期待着你的进一步探索和思考~