本文提出了一种基于能力级别（L1 预测器、L2 模拟器、L3 演化器）和治理规律范式（物理、数字、社会、科学）的二维分类体系，系统综述了 400 余篇论文，为智能体化世界建模领域提供了统一的概念框架和演进路线图。
📝 详细摘要
本文是一篇立场驱动的综述，旨在解决当前世界模型（World Model）研究领域概念碎片化的问题。作者引入了一个基于“级别×规律”的二维分类体系。第一个维度定义了三个能力级别：L1 预测器（单步局部转移）、L2 模拟器（多步、以动作为条件的约束满足预演）和 L3 演化器（证据驱动的自主模型修正）。第二个维度识别了四种治理规律范式：物理、数字、社会和科学，这些范式决定了世界模型必须满足的约束条件。利用该框架，文章综合分析了 400 余篇论文，覆盖了基于模型的强化学习、视频生成、Web 及 GUI 智能体、多智能体社会模拟和 AI 驱动的科学发现等领域。文章不仅分析了不同组合下的方法论和失效模式，还提出了以决策为中心的评估原则，并探讨了架构指导、开放性问题及治理挑战。其核心贡献在于将此前相互孤立的研究社区联系起来，规划了一条从被动式预测迈向能够模拟并最终重塑智能体运行环境的世界模型的演进路径。
💡 主要观点
- 提出了 L1→L2→L3 的三级能力层次结构，用于评估世界模型的演进阶段。 L1 为单步预测器，L2 为能进行多步约束满足模拟的模拟器，L3 为能根据新证据自主修正模型的演化器。该分类法抽象了具体模态，聚焦于系统支持何种级别的预测、模拟或模型修订。
💬 文章金句
- 本文引入了一种基于“级别×规律”的分类体系，并从两个维度展开：第一个维度定义了三个能力级别...第二个维度识别了四种治理规律范式...
- L1/L2/L3 分类法并非系统的静态分类，而是描述智能体在特定时刻调用的能力。
- 本文的目标是建立一个基于能力的分类法。
- 我们将 L3 确定为独立的能力级别：证据驱动的模型增长...已在科学发现、自主实验和在线适配等领域以零散的形式出现。
- 本路线图将此前相互孤立的研究社区联系起来，规划了一条从被动式下一步预测，迈向能够模拟并最终重塑智能体运行环境的世界模型的演进路径。
📊 文章信息
AI 初评：86
来源：大模型智能
作者：大模型智能
分类：人工智能
语言：中文
阅读时间：23 分钟
字数：5571
标签： 世界模型, 智能体, 能力级别, 治理规律, 综述