清华团队提出代数世界模型助AI从观察走向证明

清华大学姚期智、袁洋带领的团队提出代数世界模型（Algebraic World Model，AWM），试图让人工智能像科学家一样，从观察和实验中提炼规律，而不是仅凭训练数据或直觉作答。该方法针对的是一个长期问题：如果AI只能接触牛顿发现万有引力之前的知识，它能否独立推导出相关规律？由于现实训练数据难以彻底排除后见之明，研究团队转而构建可交互、可探索的陌生环境。

在ARC-AGI-3这类不提供规则和目标的游戏测试中，模型需要通过试错自行理解机制。GPT Astra配合Provider Adapter框架曾取得99.9%的成绩，并能将观察结果整理成密集的符号化规则，但这些内容更像第谷记录天体运行的观测笔记，只描述现象，未必揭示游戏世界的底层规律。研究人员在名为sc25的游戏中设置了无法完成的步数限制：某关至少需要19步，却只提供18步。Astra尝试8轮后判断至少需要22步，既未识别正确答案，也给出了错误估计。在12次类似测试中，GPT-6 Astra与Claude Opus 5.5合计仅有5次判断出关卡无解，其中4次的最低步数判断仍不准确。

AWM将游戏对象、关系和规则抽象为一个代数世界，并通过三阶段建立模型。首先，AI进行探索，把观察到的现象转化为可执行的Python代码，形成初步假设；随后利用更多实验验证和修正假设，提炼出更通用的对象与规则；最后将规律写成Lean 4形式化语言，转化为可由机器检查的数学断言。基于Opus 5.5的AWM在上述无解关卡中只需尝试两次，就能证明当前步数无法通关，并判断只要增加一步即可获胜。

在ARC-AGI-3完整测试集中，基于Opus 5的AWM通关183个关卡，取得99.9%得分，平均动作数仅为人类基准的43%，达到已知系统中的最高效率。其理论思路借鉴代数几何和代数拓扑：将原本难以直接分析的形状、空间及关系转化为代数结构，再借助数学工具进行推理。AWM进一步把这类方法推广至陌生游戏、交互环境乃至现实任务，形成“探索—凝炼—证明”的过程。

AWM还从范畴论中借用了投射极限和归纳极限两种工具。前者把已有概念及其关系组合成新的定义，后者则从不同对象中提取共性并形成更抽象的框架。两者反复配合，可以将零散的Python假设逐步整理为简洁、一致且可证明的世界模型，类似人类从观测数据中提炼“力”和“质量”等核心概念。不过，模型结论只对其观察到的范围负责；如果探索遗漏关键规则，得到的可能只是局部真理。因此，完整路径仍需不断循环观察、假设、实验、抽象、证明和再观察。

论文有两位共同第一作者，分别是浙江大学本科生潘冠成和清华姚班学生谭淇心，潘冠成目前休学在清华开展研究。指导教师包括清华大学交叉信息研究院、人工智能学院副教授袁洋，以及图灵奖得主、中国科学院院士、清华大学交叉信息研究院院长兼人工智能学院院长姚期智。姚期智同时是2021年京都奖得主、美国国家科学院外籍院士和美国艺术与科学院外籍院士。项目主页为https://ephemeral6.github.io/awm-site/，论文地址为http://arxiv.org/abs/2610.40503。