Yann LeCun与布朗大学研究人员推出面向机器人的反事实世界模型

事件经过

一支机器学习研究团队认为，他们已经找到了一种更简洁的方法来弥合这一差距。

他们的新技术帮助世界模型（即用于训练物理AI的内部模拟器）预测物体在模型从未实际观察过的动作下会如何表现。要求它们处理全新的情况时，结果往往会出错。

这项工作来自布朗大学的Randall Balestriero、Kerda Varaku以及纽约大学的Yann LeCun。相关成果载于一篇题为“Counterfactual World Models: Natura Non Facit Saltus”的预印本论文，于2026年11月9日发布。

该模型能够在动作发生之前预测其后果。这一能力对机器人等物理AI系统尤为重要。

能够预见结果的机器人可以进行规划，而不必在现实世界中靠反复试错摸索前行。问题在于，世界模型是从所观察到的内容中学习的。

如果某个特定动作从未出现在训练数据（模型所依据的材料）中，那么当被问及该动作会产生什么结果时，模型几乎无从依据。

关键在于：减去意外。研究人员的核心思路出人意料地简洁。