想象一下，你正试图教一个机器人解开一个巨大的拼图，或者要求一台计算机绘制一幅宏大的壁画，甚至是在导演一部长达数小时的电影。问题在于，这些任务规模太大，无法一次性学会。这就像试图在一个晚上背完一整本百科全书；你的大脑（或计算机的大脑）根本无法承载这么多信息。因此，科学家们使用了一个聪明的技巧：他们将大任务分解成微小的、易于处理的块。他们教机器人如何拿起一个单独的积木，或者如何涂抹墙上的一个方格，或者如何拍摄一段五秒钟的剪辑。这些就是“局部”专家。

但棘手的地方在于：仅仅知道如何完美地完成每个小部分，并不意味着你能把它们拼接成一个完美的整体。如果你在不看包装盒上的图案的情况下尝试将两个拼图块粘在一起，你可能会强行让它们契合，虽然近看似乎还可以，但会让整个画面看起来扭曲且破碎。在人工智能领域，这被称为“模式平均”（mode averaging）。这是指计算机试图表现得过于稳妥，从而取了所有选项的平均值，导致最终方案变成了一个混乱、不可能实现的折中产物——比如一个试图同时抓取杯子和锤子的机械臂，或者一段视频中，猫在句子中间突然变成了狗。

这就是佐治亚理工学院研究人员的一篇新论文所针对的问题。他们正在从事生成式 AI 领域的研究，即开发能够创造新图像、视频和计划的计算机技术。具体来说，他们正在解决“长程规划”（long-horizon planning）带来的头痛问题——即如何将许多小步骤串联起来以实现一个大目标。他们注意到，旧的将这些小型 AI 模型缝合在一起的方法往往会导致那些混乱、不可能实现的折中方案。因此，他们发明了一种名为**组合扩散引导搜索（Compositional Diffusion with Guided Search, CDGS）**的新方法。你可以把它想象成在计算机尝试组装拼图时，给它一把手电筒和一张地图，让它能够向前窥视、检查碎片是否真的契合，并在坏主意毁掉整幅画之前将其丢弃。

问题所在：“平均”是敌人

要理解作者修复了什么，我们首先需要理解他们发现的乱象。想象一下你正在规划一次从纽约到洛杉矶的公路旅行。你有一个地图应用，它擅长规划短途驾驶，比如“纽约到费城”或“芝加哥到丹佛”。如果你只是要求应用计算所有可能停靠点的平均路线，你可能会得到一条这样的路径：先向芝加哥走了一半，然后突然跳到了丹佛，接着又回到了芝加哥。它是所有路径的“数学平均值”，但却是一次糟糕透顶、完全不可能实现的公路旅行。

在 AI 世界中，当计算机尝试结合许多不同的“局部”计划时，就会发生这种情况。局部计划通常是“多模态的”（multimodal），这是一个高级说法，意思是一个步骤可以有多种不同的有效方式。例如，为了移动一个方块，机器人可以推、拉或抬起它。如果计算机只是对这些选项取平均值，它可能会尝试同时做这三件事，结果导致机器人只会原地无意义地颤动。旧方法试图通过简单地对不同可能性进行评分平均来解决这个问题，但作者发现，这种方法产生的计划在纸面上看起来很平滑，但在现实中却在物理上不可能实现或在逻辑上是破碎的。

解决方案：迷雾中的引导搜索

作者提出了一个处理此问题的新方法，称之为组合扩散引导搜索（CDGS）。要理解它的工作原理，请想象你正身处一片黑暗、浓雾弥漫的森林中，试图寻找一片特定的空地。你有一个指南针（AI 模型）告诉你大致方向，但由于雾气太厚，你看不清前方的路。

旧方法就像是走一步，看一眼指南针，然后再走一步，希望自己能保持在轨道上。但由于雾气太厚，你可能会在意识到之前就漂移进了一片沼泽。

CDGS 方法则不同。它不是只走一条路径，而是派出了一支完整的探险队（一组候选计划）。在旅程的每一步，这些探险家都会做三件事：

1. 他们互相交流（迭代重采样）： 队伍前方的探险家会向后方的探险家低声传递信息，反之亦然。这有助于整个群体保持一致。如果前方的探险家意识到前方的路是死胡同，他们可以在整个群体迷失之前告诉后方的探险家转身。这确保了计划从头到尾保持连贯，而不是开头和结尾相互矛盾。
2. 他们查看地图（剪枝）： 团队有一条特殊规则：如果一条路径看起来会导致坠入悬崖（即不可能的过渡），他们会立即将其切断。他们利用 AI 对“好路径”的自身“记忆”来巧妙地识别这些死胡同，从而及早发现。他们不会等到旅程结束才意识到自己迷路了；他们在坏的分支生长时就将其剪掉。
3. 他们选择最佳路径（选择）： 在检查完路径后，他们只保留那些最好、最有希望的探险者，并让他们进入下一步。这就像是公路旅行中的“适者生存”。

通过这样做，CDGS 避开了“模式平均”的陷阱。它不再创建一个模糊、不可能实现的平均值，而是寻找一条从头到尾都切实可行的、连贯的特定路径。

研究发现：机器人、全景图与电影

作者在三个非常不同的领域测试了他们的新方法，结果非常令人期待。

1. 机器人游乐场
首先，他们将 CDGS 用于机器人。他们给机器人布置了任务，比如将立方体从一个位置移动到另一个位置，但带有一个转折：机器人必须使用一个钩子去拉动立方体，或者先移开其他物体。这些是“长程”任务，因为它们需要一系列复杂的步骤。

• 结果： 在这些测试中，CDDS 的表现与现有的最佳方法一样出色，在某些情况下甚至更优。它能够解决复杂的谜题，即使机器人被要求在没有被明确告知步骤的情况下，也要想出正确的移动顺序。论文指出，CDGS 可以处理这些任务而不需要大量的全新训练数据，这在收集机器人数据既慢又昂贵的背景下是一个巨大的胜利。

2. 全景艺术家
接下来，他们尝试使用 CDGS 来创建巨大的全景图像。想象一下你在拍摄一段山脉，但你一次只能拍到一个山峰的小照片。你必须将它们缝合在一起才能看到全景。

• 结果： 当他们使用 CDGS 缝合这些图像时，最终的全景图看起来天衣无缝。山脉完美衔接，天空也没有奇怪的瑕疵。他们将其与其他仅仅通过“平均”边缘的方法进行对比，CDGS 产生了更加自然、且在整个图像中风格保持一致的结果。

3. 电影导演
最后，他们在视频生成上测试了它。他们提取了短视频片段（约 50 帧），并尝试将它们缝合起来以制作长视频（长达 350 帧）。

• 结果： 这里的挑战在于保持角色的一致性。如果第一段视频中有一只熊猫在弹吉他，那么在第二段视频中它不应该变成一只熊。CDGS 成功地让主体在长视频中看起来始终如一，且动作流畅。虽然视频质量比短片段略低（作者指出这是长视频中常见的权衡），但它比那些让角色发生变形和变化的传统方法要一致得多。

总结

作者谨慎地表示，这并不是一个能瞬间解决所有问题的魔杖。他们指出，该方法依赖于一个明确的目标（例如“将立方体移动到绿色区域”），并且在“局部”专家（小型 AI 模型）已经能很好完成其特定工作时效果最佳。他们也承认，由于需要同时检查多条路径，该方法运行起来需要更多的计算能力。

然而，论文强烈表明，CDGS 是让 AI 在长期规划方面变得更聪明的强大新工具。通过将“搜索”过程直接嵌入到 AI 生成计划的方式中，它避免了困扰以往方法的混乱折中。无论是机器人手臂在思考如何整理凌乱的书桌，还是摄像机扫过广阔的景观，亦或是电影导演将长篇故事缝合在一起，CDGS 都提供了一种让“整体大于部分之和”的方法，确保最终结果不仅是一个数学上的平均值，而是一个连贯的、真实的现实。