世界模型中预测的路径空间表述：从单一动作到预测、规划和不可逆性

我们提出了人工智能世界模型中预测的路径空间公式。我们认为世界模型隐含地定义了未来轨迹的概率度量，而不是一步条件分布的序列。在潜在动态允许有效马尔可夫描述的局部机制中，该路径测度采用 Onsager-Machlup 形式。在这个框架内，预测（最可能的轨迹）、规划（约束优化）和不确定性（波动）作为单个动作函数的操作而出现。我们将潜在动力学分解为可逆和不可逆分量，并从模型预测轨迹中引入熵产生的操作测量。在受控的基于注意力的小规模模型中，我们发现在训练过程中获得的注意力不对称性与数据的不可逆性成比例。对称学习的注意力会抑制熵的产生，并选择性地降低不可逆动态的长期预测，同时保留松弛预测。这些结果表明不可逆性可以作为预测世界模型的计算资源。更一般地说，基本预测对象是未来路径而不是状态的分布。