物理人工智能能力形成的七种来源
arXiv cs.AI · · 发布于 2026-09-11 · 4 分钟阅读
与物理人工智能相关的能力可能源自实质不同的形成历程，但现有按形态、架构、学习算法、任务或领域组织的分类法，并未直接回答能力由何而来。作者把“能力形成来源”定义为对能力形成有实质贡献的因素，并将其与组件或构建步骤区分开来，提出七种非排他性来源：记录经验、预测建模、评价性交互、替代环境、机制基础、具身耦合与演化驱动形成。研究采用重构式归纳与理论饱和方法，从研究矩阵追溯至原始研究，对文献去重、设定编码规则，并开展三轮最大差异与负例抽样。所涉挑战包括课程学习与自监督学习、主动推断、开放式与发展性学习、规划与搜索、神经符号架构、数字孪生、生成式物理世界模型，以及形态与控制协同设计。在截至2026年9月4日固定的范围与标准内，全部49条证据记录都能由这七种来源单独或组合解释；R1至R3挑战均未产生不可约的第八种来源，R3也未要求新增核心定义或实质性边界规则。因此作者声称在所述范围内达到理论饱和，而非逻辑完备或覆盖全部未来情形。该框架区分了观察到的能力相似性与能力形成方式的相似性，可支持对解释、迁移、复现、依赖关系、治理证据与地缘经济基础的分析。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。核心概念
论文把“能力形成来源”定义为对能力形成有实质贡献的因素，并明确其不同于系统的组件，也不同于构建步骤。
既有分类的不足
按形态、架构、学习算法、任务或领域组织的既有分类法，无法直接回答“是什么造就了某一能力”这一问题。
七类来源
识别出七类非互斥来源：记录经验型、预测建模型、评估交互型、替代环境型、机制奠基型、具身耦合型、演化驱动型形成。
研究方法
运用重构式归纳与理论饱和，从研究矩阵追溯原始研究，进行文献去重、设定编码规则，并开展三轮最大差异抽样与反例抽样。
覆盖的挑战主题
涉及课程学习与自监督学习、主动推断、开放式与发育式学习、规划与搜索、神经符号架构、数字孪生、生成式物理世界模型、形态与控制协同设计。
主要结果
在截至2026年9月4日确定的范围与标准内，49条证据记录均可由七类来源单独或组合加以解释。
饱和性主张
三轮挑战均未产生不可还原的第八类来源，第三轮也不需要新增核心定义或实质性边界规则。
主张的限度
作者仅声明在既定范围内达到理论饱和，不主张逻辑完备性，也不主张对未来覆盖的穷尽性。
框架价值
框架区分了观察到的能力相似与能力形成方式相似，可支撑解释、迁移、复现、依赖关系、治理证据与地缘经济基础等分析。