預測動力學能在物理世界中存在嗎？

預測性物理人工智慧系統在近年來取得了顯著進展，能夠輸出狀態滾動、動作塊和潛在計劃等多種形式的預測結果。然而，一個根本性的問題始終存在：即使這些預測的均方根誤差（RMSE）很低，也無法保證某個特定的提議在物理上是可執行的。針對這一挑戰，來自以色列的研究人員Barak Or提出了一項創新性的解決方案，將物理可接受性概念引入作為預測系統與物理控制之間的關鍵介面。

該研究的核心思想是：在執行任何預測的提議之前，首先將解碼後的提議視為候選動力學，然後透過一系列嚴格的物理條件對其進行評估。這些條件包括運動學約束（如幾何可行性和關節限制）、動力學約束（如力和力矩平衡）以及直接到組合水平條件（即跨越多個時間步長的複合動作是否滿足物理規律）。需要注意的是，透過這個門控並不等同於任務成功，但一旦被拒絕，系統就能明確指出違反了哪個特定的物理包絡，並提供元件層面的具體原因。

為了驗證這一方法的有效性，研究團隊在Hugging Face LeRobot PushT資料集上進行了受控的偽造實驗。實驗結果表明，單步預測的RMSE和標準化的動力學殘差的受試者工作特徵曲線下面積（AUC）分別達到了0.982和0.972，而僅使用運動學條件的AUC僅為0.592。相比之下，完整的物理可接受性門控的AUC達到了0.957，並且具備條件級別的歸因能力——即能夠區分是運動學、動力學還是組合條件導致了拒絕。在基於回放干預的實驗中，基於殘差的濾波器和完整物理可接受性門控能夠阻止87%至89%的無效提議，同時將平均任務進度保持在接近0.998的水平。

這篇題為“Can Predicted Dynamics Exist in the Physical World?”的論文於2026年5月23日提交至arXiv，全文共17頁，作者Barak Or來自以色列。論文歸屬於機器人學（cs.RO）和人工智慧（cs.AI）兩個學科領域。這項研究不僅為預測動力學在真實世界中的可行性提供了重要的驗證思路，也為未來開發更可靠的物理AI系統奠定了基礎——透過將物理可接受性作為預測和控制之間的橋樑，有望顯著提升機器人操作、自動駕駛等物理互動任務的安全性和可靠性。