AI應當構建自己的研究世界模型

在AI研究中，一個核心問題是如何讓智慧體在完全未知的環境中自主構建理解。本文透過ARC-AGI謎題實驗，展示了AI如何不依賴任何預設規則，而是透過探索、命名、抽象和推理來建立顯式的世界模型，從而高效解決問題。

實驗開始時，AI被投入一個完全未知的謎題世界，沒有規則、目標或教程，只有四個方向鍵和一個不斷縮短的進度條。AI首先做的事情是給它看到的物體命名：會移動的方塊叫“block”，踩到後圖案跳動的點叫“switch”，上方顯示目標圖案的框叫“key-box”，地上不明用途的斑點叫“speck”。這些命名雖然簡單，但為後續的理解奠定了基礎。AI將這些名稱和觀察記錄到檔案中，形成了初始的世界模型。在第一個會話結束時，它已經總結出七條規律（claim），包括關鍵的C07：只有鎖滿足時，封死的鑰匙盒才會開啟。

隨著實驗推進到第五關，AI遇到了更復雜的操作：兩個斑點不再是簡單的開關，而是執行動作——一個使圖案迴圈，一個使圖案旋轉。AI用符號P和Q表示這兩個動作，並開始研究它們的數學性質。它發現P是一個週期為6的迴圈，Q是90度旋轉。透過繪製狀態圖，AI識別出操作產生的軌道（orbit），並發現某些目標狀態僅透過P無法達到，必須結合P和Q。在第六關，AI透過離線廣度優先搜尋（BFS）找到了唯一的動作序列QQPPPPPQ，並在紙上推演確認了其有效性。

最引人注目的是，AI不僅找到了解法，還證明了某些路徑的不可達性。它寫下了“NEVER”一詞，表明僅靠P永遠無法到達目標——這不是嘗試不夠，而是數學上的不可能。這種理論判斷避免了在死路上浪費步數。

實驗結果顯示，第一次嘗試時AI摸索了515步仍未解謎，而第二次利用查詢世界模型後，僅用63步即成功通關。這充分體現了顯式世界模型的價值：它將經驗轉化為可傳遞、可推理的知識，使AI能夠像科學家一樣在新環境中自主探索並高效解決問題。

本文的啟示是，AI不應只依賴神經網路權重中的隱式知識，而應構建顯式的世界模型，透過命名、抽象和邏輯推理來推動研究。這種方法在遊戲世界、蛋白質結構或未解方程等未知領域中同樣適用。