组合式世界模型破解黑盒幻觉，陈立提出AI策略自我纠偏新方案

在人工智能领域，尤其是在具身智能（Embodied Intelligence）向通用人工智能（AGI）迈进的过程中，一个关键挑战正在浮现：如何有效解决AI系统中的"黑盒幻觉"问题。这个问题的核心在于，当AI系统（如自动驾驶车辆或工业机器人）做出错误决策时，开发者往往难以准确判断是系统的预测能力出现了偏差，还是其价值评估机制存在问题。这种"想错了"与"判错了"的纠缠不清，已经成为制约AI系统安全性和可检查性的重大障碍。

这一难题在2026年7月17日于RSS Workshop上得到了深入探讨。OpenDriveLab核心成员陈立发表了题为《Improving Embodied Policies with Compositional World Models》的演讲，提出了一个创新性的解决方案——组合式世界模型（Compositional World Models）。陈立指出，当前的AI系统中，预测未来的能力和评估结果好坏的能力被紧密地绑定在一起，形成了一个复杂的黑盒。这种设计虽然在某些场景下能够实现高效的功能，但在需要高度安全性和可追溯性的应用场景中，却带来了巨大的风险。

陈立的解决方案非常直观：将世界模型的功能拆分为两个独立的部分。第一部分是预测组件，它负责模拟"如果执行某个动作，将会发生什么"；第二部分是评估组件，它专门负责判断预测结果的好坏。这种功能上的分离，使得AI系统的决策过程变得更加透明和可追溯。例如，在自动驾驶场景中，预测组件可以模拟车辆在不同驾驶策略下的行驶轨迹，而评估组件则可以判断这些轨迹的安全性、效率等指标。

为了验证这一理论，陈立及其团队进行了多项实验和系统开发。他们首先构建了一个名为ReSim的安全仿真平台，用于自动驾驶的安全测试。随后，他们开发了Generation-then-Revise方法，这是一种先生成多种可能的动作序列，然后逐一评估和修正的方法。接着，他们推出了World Engine后训练基础设施，以及RISE机器人策略自我改进系统。这些工具不仅帮助机器人和无人车在虚拟环境中"犯错"并从中学习，更重要的是，它们让整个学习过程变得可检查和可追溯。

陈立强调，组合式世界模型的关键在于保持预测与评估的独立性，而不是简单地将两者结合。"我们不是要创造一个更强大的单一模型，而是要让每个组件都能发挥其最佳性能，并且能够相互协作，"他解释道。这种设计理念已经在多个实际应用中取得了显著成效。例如，在自动驾驶领域，通过组合式模型，系统能够在模拟环境中快速识别潜在的危险情况，并提前采取纠正措施；在机器人操控任务中，系统能够通过反复的虚拟试错，优化其动作序列，从而提高任务完成的成功率。

这项研究的意义不仅在于技术层面的突破，更在于它为AI系统的安全性和可靠性提供了新的保障。随着AI技术在各个领域的广泛应用，确保其决策过程的透明性和可追溯性变得越来越重要。陈立的组合式世界模型提供了一种全新的思路，它有望成为推动AI技术迈向更高安全等级的重要里程碑。

在演讲的最后，陈立展示了一张图表，清晰地说明了不同世界模型在动作接口和策略角色上的差异。这张图表从左到右展示了动作控制的精细程度，从视频生成模型的广泛视觉先验，到CARLA等可控仿真的中间状态，再到OpenDriveLab当前及未来工作的重点——利用世界模型进行策略改进。这不仅体现了组合式世界模型在技术上的先进性，也展示了其在实际应用中的广阔前景。

陈立的研究成果已经引起了学术界和产业界的广泛关注。许多专家认为，组合式世界模型的概念可能会成为下一代AI系统设计的重要原则，特别是在需要高安全性和可检查性的应用场景中。随着这项技术的不断发展和完善，我们有理由相信，未来的AI系统将能够更好地理解和应对复杂环境中的各种挑战。