建立一个自主学习的人工智能系统是一个复杂的任务，但 Nengo 作为一个强大的开源计算神经科学建模工具，可以帮助你实现这一目标。以下是你可以使用 Nengo 创建自主学习 AI 系统的基本步骤：

1. 安装 Nengo

首先，你需要安装 Nengo。可以通过 pip 安装：

pip install nengo  

此外，如果你希望使用 GPU 加速或其他扩展功能，可以安装 Nengo 的其他扩展包，比如 nengo-dl（用于深度学习）或 nengo-gui（用于可视化）。

pip install nengo-dl nengo-gui  

2. 理解网络构建基础

Nengo 基于构建神经网络的计算模型，使用模型 (Model)、神经元 (Neurons)、节点 (Nodes)、连接 (Connections)和学习规则 (Learning Rules)等基本元素。

3. 创建模型

定义一个神经网络模型，该模型应包括输入节点、处理层（可以是多个层的链）、输出节点，以及需要的任何反馈机制。以下是一个简单的模型示例：

import nengo  
with nengo.Network() as model:  
    # Define input  
    input_node = nengo.Node([0])  
    # Create a population of neurons  
    ensemble = nengo.Ensemble(n_neurons=100, dimensions=1)  
    # Connect input to the ensemble  
    nengo.Connection(input_node, ensemble)  
    # Define an output node  
    output_node = nengo.Node(size_in=1)  
    # Connect ensemble to output  
    nengo.Connection(ensemble, output_node)  

4. 添加学习规则

要实现自主学习，可以在连接上使用学习规则。例如，Hebbian 学习、Oja 的规则或其他的定制学习算法可以用于使系统在运行中进行自我调整：

# Example of Hebbian learning  
connection = nengo.Connection(ensemble, output_node,  
                              function=lambda x: x,  
                              learning_rule_type=nengo.learning_rules.Oja())  
# Define an error calculation for supervised learning  
error_node = nengo.Node([0])  
nengo.Connection(output_node, error_node, transform=-1)  
# Modulate the learning rule with error  
nengo.Connection(error_node, connection.learning_rule)  

5. 运行和训练模型

完成网络的设计后，便可以在仿真环境中运行和训练模型。使用 Nengo 的仿真器来执行：

with nengo.Simulator(model) as sim:  
    # Provide input and run the simulation  
    sim.run(1.0)  

6. 可视化与调整

使用 Nengo GUI 来可视化和监控网络行为，可以帮助调试和优化模型：

nengo_gui filename.py  

7. 拓展与优化

根据需要，可以引入更多复杂层次的功能，例如卷积网络（适用 Nengo-dl），生物学上更真实的动态，或和其他机器学习框架（如 TensorFlow）组合使用以提升深度学习能力。

通过以上步骤，你可以从基础创建到实现较为复杂的自主学习系统。随着对 Nengo 的不断熟悉，你可以逐步引入更多的实验和复杂性。