实验核心发现 - 哈佛与MIT的实验表明，当前AI模型在预测行星轨迹时，虽能达到高精度，但并未编码出如牛顿定律般的“世界模型”，而是依赖特定情境的经验法则[3][8] - 模型预测的受力向量与真实的万有引力定律毫无关联，且其错误模式在不同测试样本（如不同银河系）中不一致，说明其无法构建稳定的、可推广的定律体系[10] - 该“预测与解释脱节”的缺陷在“晶格问题”和“黑白棋”等其他测试场景中同样存在，模型仅根据“下一个token可能性”对状态进行分类，而非理解底层规律[11] 实验设计与背景 - 研究选择轨道力学作为测试场景，因其在科学史上具代表性，旨在观察AI是否能重演从开普勒（经验规律）到牛顿（深层原理）的科学发现过程[4][5] - 实验使用1000万个模拟太阳系坐标序列（总计200亿个token）训练一个1.09亿参数的小型Transformer模型，以探究其预测逻辑[3][8] - 研究将AI模型统称为“基础模型”，其核心是数据驱动的“输入-预测输出”映射，与能刻画数据隐含状态结构的“世界模型”存在本质区别[6] 对AI行业发展的启示 - 研究结果并非否定AI价值，但指出以当前形态，大语言模型尚不足以实现真正的科学发现，需探索新路径[12][13] - 行业未来发展的一种思路是结合“晶化智力”（已有知识）与“流动智力”（经验迁移能力），例如通过JEPA框架等新方法进行探索[13] - 行业需共同解答的核心命题是如何让AI从“预测机器”进阶为能理解世界运行逻辑的“思考者”，这决定了AI在科学史上的最终地位[14]

世界模型的概念与重要性 - 世界模型是AI系统内部携带的环境表征，用于在执行任务前对预测和决策进行评估 [1] - 多位深度学习领域权威人物认为世界模型是构建真正聪明、科学且安全的AI系统不可或缺的部分 [1] - 该概念在心理学、机器人学和机器学习等领域已有数十年历史，类似于人类大脑中避免危险的本能模型 [1] 世界模型的历史渊源 - 世界模型的概念可追溯至1943年心理学家肯尼斯·克雷克提出的"外部现实小尺度模型"设想 [2] - 克雷克的设想预示了认知革命，并将认知与计算能力直接联系起来 [2] - 20世纪60年代末的SHRDLU等AI系统曾使用简易模型，但手工构建的模型难以规模化 [3] 当前AI与世界模型的现状 - 当前大语言模型展现的许多能力使世界模型成为一个颇具解释力的思路 [4] - 然而，生成式AI更像是在学习成百上千条互不关联的经验法则，而非一个自洽的整体世界模型 [4] - 研究者尝试寻找世界模型证据时，发现的是零散的启发式规则，而非连贯的表征 [4] 世界模型的优势与挑战 - 大语言模型可以在其数万亿个参数中编码大量启发式规则，通过数量实现质量 [5] - 缺乏连贯世界模型导致系统鲁棒性不足，例如当1%街道封闭时，LLM的导航能力明显崩溃 [6] - 一个鲁棒且可验证的世界模型有望消除AI幻觉、支持可靠推理并提升系统可解释性 [6] 未来发展方向 - Google DeepMind和OpenAI认为通过足够多的多模态训练数据，世界模型会在神经网络中自然形成 [7] - Meta的杨立昆则认为构建世界模型需要完全不同于生成式AI的全新架构 [7] - 构建世界模型是大型AI实验室和学术界的重点研发方向，但其具体实现方法仍属未知 [7]