杨立昆《On Training in Imagination》：与其在世界中试错，不如在想象中训练|宇宙|智能体|杨立昆|真实世界|论文

来源：市场资讯

（来源：图灵人工智能）

这不是一篇普通的强化学习技术论文。杨立昆团队对 "智能究竟是什么" 这一根本问题的系统性思考，更是一场从 "数据拟合" 到 "思维生成" 的认知范式革命。作者是 Nadav Timor、Ravid Shwartz-Ziv、Micah Goldblum、Yann LeCun、David Harel

https://arxiv.org/abs/2605.06732

问题一：为什么智能不能只靠真实经验学习？

绝大多数 AI 研究者都默认了一个未经审视的假设：智能是对经验的统计归纳。只要给模型足够多的真实世界数据，让它在足够多的试错中学习，最终就能涌现出智能。但杨立昆一针见血地指出：人类智能的绝大多数知识，从来都不是来自真实试错。

人类并不是每件事都亲自试一遍。我们不会真的把车开向墙壁来学习碰撞后果，也不会真的把每一种人生选择都执行一遍。我们大量依赖一种能力：在内心模拟可能发生的事，然后选择行动。

这就是这篇论文标题中 “imagination” 的真正含义。它不是浪漫意义上的幻想，而是强化学习中的一个技术范式：策略不直接在真实环境里更新，而是在一个学到的动力学模型中生成 imagined rollouts，再由学到的奖励模型对这些轨迹打分。

论文明确说，在这种范式中，策略更新阶段不再查询真实环境。

所以第一个认知转折是：智能并不只是从经验中学习，而是用经验建造一个可反复试错的内部世界。

真实世界太贵、太慢、太危险；想象世界便宜、快速、可重复。AI 如果能在内部世界里训练，就可以把少量真实经验放大成大量虚拟经验。

问题二：所谓“想象”，到底想象了什么？

论文中的想象不是单一模块，而是由两个东西组成：

第一，世界会如何变化。

这对应 learned dynamics model，也就是动力学模型。它回答：“如果我在这个状态下做这个动作，接下来会发生什么？”

第二，发生的事情好不好。

这对应 learned reward model，也就是奖励模型。它回答：“这个结果值得追求吗？”

这点非常关键。一个智能体不是只需要预测未来，还需要评价未来。只知道“会发生什么”，但不知道“值不值得”，它无法选择；只知道“想要什么”，但不知道“怎么到达”，它也无法行动。论文正是把 learned dynamics 和 learned reward 同时放进 training in imagination 的框架中分析。

所以第二个认知转折是：

想象不是单纯的预测，而是“预测未来 + 评价未来”。

这也让“智能”从感知问题变成了一个更深的问题：

AI 不只是要看见世界，而是要在内部生成世界；不只是要生成世界，还要知道哪些世界更值得抵达。

问题三：如果 AI 在自己的想象中训练，最可怕的错误是什么？

直觉上，我们会说：当然是世界模型错了。

比如智能体以为悬崖前还有路，于是在想象中大胆前进，现实中却摔下去。但论文指出另一类同样危险、甚至更隐蔽的错误：奖励模型错了。

动力学模型错，是“我误判了世界会怎样”。

奖励模型错，是“我误判了什么是好”。

前者让 AI 走错路，后者让 AI 追错目标。

论文的第一个主要贡献就是把 return gap 拆成两个可分别控制的来源：dynamics-model error 和 reward-model error。以前一些 simulation-lemma-style 分析没有给这两类误差分别分配独立系数，也没有告诉我们预算该投给动力学样本还是奖励样本；这篇论文正是要把这件事理论化。

这里的深层问题是：

一个智能体失败，究竟是因为它不理解世界，还是因为它误解了价值？

这比“模型准不准”更深。因为一个高度聪明但价值判断偏差的系统，可能比一个能力较弱的系统更危险。它不是不知道怎么到达目标，而是目标本身已经被内部奖励模型扭曲了。

问题四：为什么一点点想象误差会毁掉整个未来？

如果只预测一步，模型稍微错一点也许没关系。

但 training in imagination 的关键在于 rollout：一步接一步，一直往未来推演。

这时问题变成：小错误会不会在时间中滚雪球？

论文用 Lipschitz 常数来刻画这个问题。直观地说，如果一个模型的 Lipschitz 常数很大，就意味着输入状态一点点变化，输出可能剧烈变化。这样的内部世界是不稳定的：一个微小偏差，经过多步想象后，可能变成完全不同的未来。

论文指出，较低的 dynamics、reward 和 policy 的 Lipschitz 常数，可以收紧 return-error bound；也就是说，更平滑、更稳定的内部表征，会让想象轨迹更可靠。

这带来第三个认知转折：

好的世界模型不只是准确，而是稳定。

这就像人的认知。一个成熟的人不是从每个细节重新推理世界，而是拥有稳定的抽象结构：物体会延续存在，行动会带来后果，目标会约束选择。内部世界越稳定，想象越不容易崩坏。

问题五：什么样的内部世界，才适合拿来训练智能？

很多人会以为，最好的世界模型就是最逼真的世界模型：像视频生成一样，把像素、纹理、细节全部还原。

但这篇论文暗示的方向更深：

好的世界模型，是适合行动的世界模型，不一定是最逼真的模型，而是最具有可推演性的模型。

比如逼真的街景，比如极简的可推演地图；逼真的分子动力学模型，不如可推演的牛顿力学；逼真的视频生成模型，不如稀疏因果世界模型。

论文讨论了 latent representation，也就是让动力学、奖励和策略运行在高层潜在空间中，而不是直接运行在原始观测上。它进一步连接到 temporal straightening（时间拉直）：如果潜在空间中的连续状态变化方向更一致，长程预测就更像沿着一条较直的轨迹前进，误差也更容易控制。

认知的本质，就是将复杂、弯曲、高维的物理世界，投影到一个简单、平直、低维的内在几何空间中。在这个空间中，预测变得容易，规划变得简单，推理变得可行。

这就把问题从“世界模型是否逼真”推进到：

世界模型是否拥有适合行动的几何结构？

人类认知也是如此。我们不会在脑中渲染完整的物理世界，而是保留对行动有用的结构：距离、因果、障碍、目标、风险、代价。真正重要的不是复刻世界，而是压缩出一个可以推演、可以规划、可以选择的内部空间。

所以：智能的内在世界，不是现实的复制品，而是现实的可行动压缩。

问题六：如果真实数据很贵，应该买哪种数据？

到这里，论文进入一个非常现实的问题：

既然内部世界需要校准，而校准需要数据，那么有限预算应该怎么花？

是买更多 dynamics-transition samples，也就是“状态—动作—下一状态”的样本？

还是买更多 reward samples，也就是“状态—动作—奖励”的样本？

文章证明了一个结论：想象训练与真实训练性能存在严格误差上界，由动力学误差、奖励误差共同决定，加权和低于阈值即可保障现实适配性。

在合理阈值下，想象是高效认知推演；冲破临界阈值，会滋生恶性幻觉。

论文把这两类数据明确区分，并在 power-law scaling 假设下推导了最优的 dynamics-to-reward sample ratio。换句话说，它不是泛泛地说“数据越多越好”，而是需要在训练中回答：当不同数据的成本不同、学习速度不同，预算应该怎样分配，才能最小化想象训练带来的 return error？

这一步非常重要，因为它改变了我们对“数据”的理解。

数据不再只是堆料。数据变成了校准想象的不同工具。

有的数据帮助 AI 更好地预测世界。有的数据帮助 AI 更好地判断价值。

智能体真正需要的不是更多数据，而是“更有效地降低内部世界的关键误差”的数据。

问题七：便宜但有噪声的奖励，值不值得买？

这是论文里最有现实感的问题之一。

在很多场景中，高质量奖励很贵。比如 RLHF 里的人工偏好标注，机器人任务里的专家评估，自动驾驶中的安全判断。你可以花很多钱买少量高质量标注，也可以花较少的钱买大量有噪声标注。

那到底哪种更好？

论文分析了 REINFORCE 在 noisy rewards 下的情况。结论是：如果奖励噪声是零均值的，那么梯度估计仍然是无偏的，只是方差会增加；而这种额外方差可以随着 rollout 数量增加而下降。论文进一步把“买更高保真度奖励”还是“买更多低保真度奖励”的选择，化成一个一维优化问题。

这背后的思想很真实：

随机噪声不可怕，只要它不系统性地骗你。

一个标注者偶尔判断错，可能可以靠更多样本平均掉。