过去几年，构建通用物理智能的主流思路是“数据拟合”，试图通过端到端学习，实现从视觉观察到控制动作的直接映射。这一路径虽推动了大量研究，但在面对真实复杂的物理交互时，瓶颈迅速显现。以 Actor Labs 的挖掘机实验为例，其团队将 Physical Intelligence 的 π0.5部署至挖掘机，结合工业操作员的大规模真实数据训练策略。尽管展示中仅用200 条轨迹成功完成了一项任务，但这恰恰暴露出纯数据驱动路线的缺点：数据效率极低，且多任务能力受限。如果掌握每一项单一技能都需要百小时级或数百条轨迹的数据积累，这种依靠堆叠数据推动的范式，其规模化扩展的可行性显然存疑。相比之下，人类仅凭单次演示就能理解动作背后的物理逻辑，并轻松迁移至不同尺寸、材质的物体甚至全新任务中。当端到端模型在分布外（OOD）场景中频频失灵，研究者们不得不重新审视：在盲目堆砌数据量之外，是否存在更根本的智能构建路径？这便引出了第二条路线：将智能视为世界建模与规划（Intelligence as World Modeling and Planning）。其核心在于将机器学习与物理规划相结合，使智能体通过小样本理解物理规律，进而实现真正的分布外泛化。
02
告别像素级预测，
用“神经+符号”构建可推理的世界模型
要实现基于规划的智能，首先需构建“世界模型”，即让智能体在内部建立物理世界表征，并基于该表征演推后续动作。然而，物理环境极其复杂，若直接在像素级预测未来状态与细节，计算代价会非常高，难以支持长序列动作的实时规划。破解这一难题的关键在于引入组合式抽象表示。智能体无需记忆所有像素细节，而是提炼形状、姿态、材质等抽象属性，并用状态转移图显式建立“动作-状态”演变机制。图：神经符号概念将物体抽象为形状、姿态、材质等属性，并用状态转移图描述动作导致的 state 演变。图中 s0→s1 表示 push(glass)，s1→s3 表示 flip(cap)。这就是神经符号概念的核心：
原文：https://www.leiphone.com/category/private/x6DMLw9up0rlycKH.html
