3
0Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。
如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com
今天的主题是：
Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond
Summary
随着人工智能系统从“文本生成”向“通过持续交互实现特定目标”演进，建模环境动力学（Environment dynamics）的能力正成为核心瓶颈。无论是操纵物体的具身智能体、导航软件的计算机智能体、与其他实体协同的社交智能体，还是设计实验的科学智能体，都需要具备预测性的环境模型；然而，“世界模型”（World model）这一术语在不同的研究社区中却承载着不同的含义。
在本文中，我们引入了一个沿着两个轴组织的“能力等级 × 支配规律”（levels × laws）分类学框架：
第一个轴定义了三个能力等级：
L1 预测器（Predictor）：学习单步的局部状态转移算子；
L2 模拟器（Simulator）：将这些算子组合成符合领域规律的多步、动作条件化的轨迹推演（Rollouts）；
L3 演化器（Evolver）：当预测与新证据发生冲突（失败）时，能够自主修正其自身模型。
第二个轴识别了四种支配规律范式：即物理、数字、社交和科学。这些范式决定了一个世界模型必须满足哪些约束，以及它最可能在何处失效。
利用该框架，我们系统性地梳理了 400 多篇文献，并总结了跨越基于模型的强化学习（Model-based RL）、视频生成、网页与图形用户界面（GUI）智能体、多智能体社交模拟以及 AI 驱动的科学发现等领域的 100 多个代表性系统。我们分析了不同“等级-范式”配对下的方法、失效模式和评估实践；提出了以决策为中心的评估原则（Decision-centric evaluation principles）和一个最小可复现评估包；并概述了架构指导、开放问题以及治理挑战。
本蓝图旨在连接此前相互孤立的研究社区，并绘制一条技术路径：指引世界模型从被动的“下一步预测”，走向能够模拟并最终重塑智能体所处环境的更高阶段。
原文链接：arxiv.org
