The World Is a Hypothesis: Epistemic Control for Executable World-Model Agents in Novel Interactive Environments
本文介绍了 THEA，一种由提示词定义的修正策略，它将可执行的世界模型视为可证伪的理论，用以编排父代理与专家子代理，在显著降低成本的同时，在 25 个 ARC-AGI-3 游戏中的 22 个上实现了最先进的性能，并确保假设修正过程是显式的、可审计的且具有成本效益的。
原始论文采用 CC BY 4.0 许可（https://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，你正试图教一个机器人玩一款全新的电子游戏，但你不能给它规则书、地图，甚至不能提示它目标是什么。机器人必须仅仅通过观察屏幕、按下按键并观察结果来弄清楚一切。这就是“可执行世界模型”（executable world models）的世界——这是一种高级的说法，意为：“让我们编写一个计算机程序，使其表现得像游戏的模拟器，这样机器人在实际行动之前，可以在自己的大脑中进行练习。”
通常，科学家们认为，如果这个模拟器与真实游戏完美匹配——每一帧、每一个像素都分毫不差——那么机器人就一定很聪明且准备好获胜了。但问题在于：模拟器可能是一个完美的骗子。它可能只是偶然地符合了发生过的历史记录，就像一个每天只在对的时间准两次的坏掉的时钟一样，而完全误解了事物发生的“原因”。如果机器人依赖于这个“完美”但错误的模拟器，它可能会试图去解决一个并不存在的谜题，或者错过一个隐藏的陷ر。这个领域的核心问题是：我们如何构建一个能够意识到自己的内部地图是错误的，并且知道如何在不陷入混乱循环的情况下修复它的智能体？
这篇论文介绍了一个名为 THEA（类型化假设驱动认识论智能体，Typed Hypothesis-driven Epistemic Agents）的新系统，正是为了解决这个问题。不要把 THEA 仅仅看作一个单一的超级聪明机器人，而要把它看作一支组织严密、纪律严明的科学团队，正在主持一场游戏之夜。“家长”（Parent）是主玩家，他手握控制器并把握全局。但 THEA 还拥有一支专门的“侦探”团队（称为专家），他们只在情况出错时介入。
其运作方式如下：家长玩游戏并不断更新其内部关于游戏运作方式的“理论”（一个计算机程序）。只要理论能正确预测游戏的结果，家长就会继续玩下去。但如果家长犯了错，或者游戏变得过于诡异，侦探就会被召集。这些侦探并不触碰控制器；他们只观察证据。一位侦探可能会检查机器人是否将装饰物误认为是真正的游戏机制。另一位侦探可能会尝试证明关于游戏的两种不同理论实际上是不同的，方法是建议一个特定的“测试动作”，该动作会为每种理论产生不同的结果。
论文在 25 种不同的抽象益智游戏（属于 ARC-AGI-3 基准测试的一部分）上测试了这个系统。结果令人印象深刻：THEA 成功完整解决了 25 个游戏中的 22 个。平均而言，它的效率极高，仅使用了约 92.63 的“相对人类行动效率”（Relative Human Efficiency，其中 100 代表完美的人类效率）。或许最令人惊讶的是，它在完成任务时比之前的最优系统节省了 19.52% 的计算资源，而之前的系统仅解决了 20 个游戏。
然而，论文非常谨慎，并未声称 THEA 是万能灵药。它明确展示了这种“侦探团队”的方法并不总是更便宜或更快。对于 THEA 未能完全解决的 3 个游戏，以及它解决的一些较简单的游戏，这种额外的检查层有时会增加时间和金钱成本，却并未改变最终结果。作者发现，当游戏具有挑战性且机器人需要改变想法时，该系统才会展现出卓越的价值，但对于简单的任务来说，这有点大材小用了。
论文还分享了一些“失败案例”以证明其并非仅仅在吹嘘。在其中一个案例中，机器人拥有完美的模拟器，但由于它观察的屏幕位置不对，仍然失败了。在另一个案例中，机器人理清了正确的规则，但却是在用完了所有步数之后才做到的，这证明了“正确得太晚”和“错误”一样糟糕。
最终，THEA 教会我们，要让 AI 变得真正聪明，它需要将自己对世界的理解视为一种“假设”——一个可以被证明是错误的猜想。通过让检查和修正这些猜想的过程变得可见、可审计，并由一个中央“家长”进行控制，该系统可以避免陷入自身的错误之中。这是朝着构建不仅是记忆模式，而且是真正理解规则，并能在需要时重写规则书的 AI 迈出的重要一步。
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。