AI应当构建自己的研究世界模型
本文通过一个ARC-AGI谜题实验，展示了AI如何在没有规则的环境中自主探索、命名事物、发现数学结构并利用离线推理来高效解决问题。实验表明，显式的世界模型比仅依赖神经网络权重更有效。
在AI研究中，一个核心问题是如何让智能体在完全未知的环境中自主构建理解。本文通过ARC-AGI谜题实验，展示了AI如何不依赖任何预设规则，而是通过探索、命名、抽象和推理来建立显式的世界模型，从而高效解决问题。
实验开始时，AI被投入一个完全未知的谜题世界，没有规则、目标或教程，只有四个方向键和一个不断缩短的进度条。AI首先做的事情是给它看到的物体命名：会移动的方块叫“block”，踩到后图案跳动的点叫“switch”，上方显示目标图案的框叫“key-box”，地上不明用途的斑点叫“speck”。这些命名虽然简单，但为后续的理解奠定了基础。AI将这些名称和观察记录到文件中，形成了初始的世界模型。在第一个会话结束时，它已经总结出七条规律（claim），包括关键的C07：只有锁满足时，封死的钥匙盒才会打开。
随着实验推进到第五关，AI遇到了更复杂的操作：两个斑点不再是简单的开关，而是执行动作——一个使图案循环，一个使图案旋转。AI用符号P和Q表示这两个动作，并开始研究它们的数学性质。它发现P是一个周期为6的循环，Q是90度旋转。通过绘制状态图，AI识别出操作产生的轨道（orbit），并发现某些目标状态仅通过P无法达到，必须结合P和Q。在第六关，AI通过离线广度优先搜索（BFS）找到了唯一的动作序列QQPPPPPQ，并在纸上推演确认了其有效性。
最引人注目的是，AI不仅找到了解法，还证明了某些路径的不可达性。它写下了“NEVER”一词，表明仅靠P永远无法到达目标——这不是尝试不够，而是数学上的不可能。这种理论判断避免了在死路上浪费步数。
实验结果显示，第一次尝试时AI摸索了515步仍未解谜，而第二次利用查询世界模型后，仅用63步即成功通关。这充分体现了显式世界模型的价值：它将经验转化为可传递、可推理的知识，使AI能够像科学家一样在新环境中自主探索并高效解决问题。
本文的启示是，AI不应只依赖神经网络权重中的隐式知识，而应构建显式的世界模型，通过命名、抽象和逻辑推理来推动研究。这种方法在游戏世界、蛋白质结构或未解方程等未知领域中同样适用。