世界模型
World Model 世界模型
在人工智能（尤其是强化学习、机器人学、认知科学）领域中，指的是：智能体（agent）对环境运行规律的内部表征和预测机制。智能体用它来理解过去、预测未来、计划行动。
| 模块 | 作用 | 类比 |
|---|---|---|
| 表征（Encoder） | 把观测（图片、数据）压缩成内部特征 | 人脑感知 |
| 动态模型（Dynamics） | 根据当前特征和动作预测下一步特征 | 人脑推理 |
| 观测生成器（Decoder） | 从内部特征还原出具体观测（比如图像） | 人脑想象 |
| 奖励预测器（Optional） | 预测执行某动作后能得到多少奖励 | 经验判断 |
理论基础
预测学习 （Predictive Learning）
世界模型本质上就是一种预测学习： 给定当前状态和动作，预测未来的状态。这种思想最早来源于控制理论（如卡尔曼滤波器）和心理学（人脑预测未来感知的能力）。
具身认知 （Embodied Cognition）
智能体与环境的交互过程中，感知、动作和推理是不可分割的。世界模型强调不仅要被动感知，还要主动模拟、推演环境变化。
理性规划 （Model-Based Planning）
世界模型可以被视为强化学习中从model-free到model-based的演进：
Model-Free：不建模环境，只根据经验学习策略（如DQN、PPO）
Model-Based：构建环境模型，用于内部模拟决策（如Dreamer、PlaNet）
压缩感知（Compression and Representation Learning）
世界模型常通过学习一个低维、抽象的隐空间来表示环境状态。这与信息瓶颈理论（Information Bottleneck Theory）有关： 要在保留关键信息的同时最大限度地压缩无关细节。
数学基础
马尔可夫决策过程
自编码器
由于环境本身可能是部分可观测（POMDP），预测未来存在不确定性。世界模型需要表达这种不确定性：高斯分布
混合密度网络
贝叶斯神经网络
VAE
MPC