Deterministic Event-Graph Substrates as World Models for Counterfactual Reasoning
本文介绍了确定性事件图基底，这是一种透明、非参数的世界模型，它将状态表示为仅追加的 RDF 三元组日志，并通过日志分叉实现精确的反事实推理，在 CLEVRER 和 twin-EventLog 基准测试中展现出优于符号预言机和参数化大语言模型基线的卓越性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图弄清楚在繁忙的厨房里为何发生了某个特定事件，或者如果你从食谱中换掉一种食材，会发生什么。
大多数现代人工智能系统试图通过“想象”未来来回答这些问题。它们基于从观看成千上万段视频中学习到的模式，构建一幅模糊的、内在的心理图景（即“潜在状态”）。如果你问它们：“如果我没有打碎那个鸡蛋，会怎样？”，它们会根据类似情境中通常发生的情况来猜测答案。这就像让一位厨师通过回忆自己烹饪过的其他菜肴，来猜测一道新菜品的结果。有时他们能猜对，但你无法确切看到他们是如何得出该结论的；而且如果你两次问同一个问题，他们可能会给出略有不同的答案。
本文介绍了一种不同的方法，称为事件图基底（Event-Graph Substrate）。该系统不使用模糊的心理图景，而是采用一份严格、不可更改的日记（即日志），以非常具体且结构化的格式记录所发生的一切。
以下是其工作原理，分解为几个简单概念：
1. “不可更改的日记”（日志）
该系统不存储世界的压缩摘要，而是将每个事件记录为类型化的事实（例如“物体 A 于下午 2:00 撞击了物体 B"）。这是一种“仅追加日志”，意味着一旦某事被写下，就永远无法被擦除或修改。它就像法庭书记员的笔录：它是关于所发生之事的绝对、可核查的真相。
2. “时间旅行分叉”（反事实推理）
当你提出一个“如果……会怎样？”的问题（即反事实问题）时，系统不会猜测。相反，它执行一次时间旅行分叉：
- 它在日记中找到你想要改变故事的确切时刻（例如“移除鸡蛋”）。
- 它从该时刻起创建日记的副本。
- 它将你的更改应用于副本（删除鸡蛋条目）。
- 随后，它使用严格预定义的物理和逻辑规则，从该点开始重放日记的其余部分，以观察接下来会发生什么。
由于规则是固定的，且起点是精确的，因此结果是确定性的。如果你两次问同一个问题，每次都会得到完全相同的答案。你还可以逐步查看日记，以确切了解系统为何判定鸡蛋是造成混乱的原因。
3. “侦探的链条”（祖先对偶性）
本文证明了一种巧妙的数学技巧，称为祖先对偶性（Ancestor Duality）。
- 解释性问题：“是什么导致了碰撞？”→ 系统向后查阅日记，寻找导致碰撞的事件链。
- 反事实问题：“如果我们移除红球，碰撞还会发生吗？”→ 系统会问：“红球是否属于那条向后追溯的链条？”
本文表明，这两个问题实际上是同一枚硬币的两面。如果红球位于导致碰撞的“祖先链条”中，移除它就会阻止碰撞；如果它不在链条中，碰撞仍会发生。这将一个复杂的推理问题转化为在日记中进行的一次简单搜索。
4. 结果：表现如何？
作者在多个基准测试中检验了这种“日记系统”：
- CLEVRER（视频推理）：他们在弹跳物体的视频上进行了测试。
- 优点：它在解释事件发生原因以及描述所见内容方面极其准确。在这些任务中，它超越了以往最佳的“符号式”（基于规则）系统，甚至超越了一些“基于学习”的人工智能系统。
- 局限：当被要求预测未来（例如“接下来会发生什么？”）时，它的表现略逊于那些从数据中学习复杂模式的人工智能系统。这是因为日记系统依赖于严格且已知的规则，而“学习型”人工智能在情境混乱或不可预测时，有时能做出更好的猜测。
- Smallville（智能体记忆）：他们在智能体互动的城镇模拟中进行了测试。
- 当被问及在时间线发生变化后，某个智能体是否会记住特定事件时，日记系统比标准的大型语言模型（LLM） 表现出一致得多的结果。大型语言模型常常感到困惑或改变其叙述，而日记系统则坚持事实。
5. 核心结论
本文主张，对于需要精确推理、清晰解释和一致记忆的任务，你并不需要依靠猜测进行学习的“黑箱”人工智能。你可以使用基于规则的结构化重放系统。
- 类比：将“学习型人工智能”想象成一名努力学习并试图凭直觉猜测答案的学生；将“事件图基底”想象成一位律师，他取出官方案卷，找到事件发生的确切页面，并沿着证据链推导出结论。
- 权衡：“律师”（基底）在解释过去和核查事实方面堪称完美，但在规则尚未完全明确的混乱情境中预测未来时，“学生”（学习型人工智能）可能表现更佳。
简而言之，本文表明，对于特定类型的逻辑推理，一个简单、透明且可重放的“日记”往往优于复杂且基于学习的“想象”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。