受控測試揭示世界模型潛在物理欄位的事件條件組織

研究動機與方法

世界模型能預測未來的物理狀態，但僅靠預測精度不足以說明其內部如何組織與使用物理資訊。研究者因此設計一套受控診斷流程，檢測被動物件狀態模型的潛在結構是否以事件為條件。

流程包括三項測試：隱藏表徵是否編碼事件類型、事件情境是否重新加權非排他性的物理欄位讀取、以及與欄位對齊的表徵成分是否對預測產生功能性影響。

實驗設計

使用一個平衡的受控產生器資料集，包含自由運動、碰撞與遮蔽三種事件。於固定視窗的預測設定下，評估三種模型：

• 循環神經網路 (RNN)
• 注意力機制模型
• 潛在狀態空間轉移模型

主要發現

所有模型皆學會有用的預測動力學，且其隱藏狀態能可靠讀出事件類型。事件情境會系統性地重新加權三個物理欄位的讀取：

• 自由運動：以運動欄位為主
• 碰撞：同時結合運動與接觸欄位
• 遮蔽：結合運動與物體持續性欄位

時間對齊與方向一致性分析顯示，欄位的強調會隨事件階段產生相位性變化。

最後的固定視窗投射因果欄位效應 (CFE) 實驗表明，抑制與特定欄位對齊的方向會降低事件相關的預測表現，碰撞事件中接觸欄位的影響最為顯著，遮蔽事件中物體持續性欄位的證據則較為有限。

結論

結果支持世界模型的潛在物理欄位具備事件條件的組織與固定視窗功能敏感性，但不代表模型內部存在明確的物理模組或獨立的因果電路，也不表示其具備上下文不變的滑動視窗泛化能力。

延伸閱讀

• 資安組織加速採用生成式 AI：從簽名防護到 AI 驅動威脅模型
• 以次常態高斯模糊數（SGFN）進行風險導向的 IDS 警示優先排序
• DA-GC：以資源條件化 Granger 因果與資源競爭模型實現 6G 切片即時攻擊歸因

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。