清华姚期智团队新作：代数世界模型，让AI像牛顿一样思考
内容提要
清华大学团队提出“代数世界模型”（AWM），使AI能从观察与实验中抽象出符号化规则，并借助范畴论工具迭代简化，形成可推理证明的世界模型。在ARC-AGI-3测试中，AWM能证明无解关卡并给出最少步数，183关全部通关，效率远超人类基准。该方法旨在让AI像牛顿一样从现象中提炼规律，但仍受探索全面性限制。
延伸解读
从记录现象到证明规律：AWM的关键跃迁
文章用第谷与开普勒的比喻点明核心差异：GPT Astra等模型能生成密集的符号化规则，但只停留在“记录现象”层面，遇到无解关卡会给出错误的最低步数估计。AWM则借助范畴论中的投射极限与归纳极限，对零散假设反复迭代简化，形成可推理证明的世界模型。这一转变意味着AI不再只靠试错和直觉，而是能对“为什么不可能”给出形式化论证，这正是从实验记录走向科学定律的关键一步。
效率优势背后的适用条件
在ARC-AGI-3测试中，AWM用Opus 5实现183关全部通关，平均通关动作数仅为人类基准的43%，效率是目前已知系统中最高的。但文章明确指出，其证明基于“观测到的世界”成立；若探索不够全面、遗漏关键规则，模型描绘的只是局部真理。因此，AWM的高效率建立在探索覆盖充分的前提上，读者不宜将其理解为对任意陌生环境都能直接给出完整正确的世界模型。
对现实智能体任务的意义与风险
文章将游戏中的幻觉判断延伸到现实场景：若AI智能体在执行任务时断言“此事不可行”却给出错误原因，后果可能严重。AWM的价值在于能证明无解关卡，并指出只需再增加一步即可获胜，这种“为什么不可能”及“差多少”的判断，比单纯试错更可靠。不过，这一能力仍受限于探索的全面性，现实任务中规则更复杂、观测更不完整，AWM的证明结论需要结合探索范围谨慎看待。
Q&A
清华姚期智团队提出的代数世界模型（AWM）是什么？
AWM是清华大学姚期智和袁洋团队提出的方法，让AI从观察和实验中抽象出符号化规则，并借助范畴论工具迭代简化，形成可推理证明的世界模型，旨在让AI像牛顿一样从现象中提炼规律。
为什么现有的顶级AI模型在ARC-AGI-3游戏中会出现判断错误？
现有模型如GPT-6 Astra和Claude Opus 5.5主要依赖直觉和试错，只能记录现象而无法抓住世界运行的本质。例如在无解关卡中，它们可能给出错误的最低步数估计，12次测试中仅5次正确判断不可能，其中4次步数还错了。
AWM在ARC-AGI-3测试中表现如何？
AWM使用Opus 5模型在183个关卡全部通关，得分99.9%，平均通关动作数仅为人类基准的43%，是目前已知系统中效率最高的。面对无解关卡，它只需尝试两次就能证明无解，并指出只需多一步即可获胜。
AWM是如何实现从现象到可证明世界模型的？
AWM将游戏中的对象、关系和规则抽象成代数世界，利用大模型的数学能力理解它。具体借助范畴论中的投射极限和归纳极限两种互补思维，对零散的Python假设不断迭代简化，最终形成可推理证明的世界模型。
AWM方法存在哪些局限性？
AWM的证明基于其观测到的世界，如果探索不够全面，遗漏了关键规则，模型描绘的只是局部真理而非完整世界。因此需要不断循环：观察→假设→实验→抽象→证明→再观察。
AWM论文的作者团队有哪些人？
论文共同第一作者是浙江大学潘冠成（休学在清华研究）和清华姚班谭淇心，均为本科生。指导教师为清华大学交叉信息研究院副教授袁洋和图灵奖得主、中国科学院院士姚期智。
