Agentic World Modeling：基礎、能力、規律與未來

隨著 AI 系統從生成文本轉向透過持續互動來達成目標，環境動態建模能力成為核心瓶頸。能夠操作物體、瀏覽軟體、協調他人或設計實驗的 Agent，都需要預測性的環境模型，然而「世界模型」一詞在不同研究社群中擁有不同含義。為此，研究者提出「levels x laws」分類法，透過兩個軸線重新組織該領域。

第一個軸線定義了三種能力等級：L1 Predictor 學習單步局部轉換算子；L2 Simulator 將這些算子組合成多步、動作條件的推演，並遵循領域法則；L3 Evolver 則能在預測與新證據不符時，自主修正其自身模型。第二個軸線識別出四種管轄法則體制：物理（physical）、數位（digital）、社會（social）與科學（scientific），這些體制決定了世界模型必須滿足的約束條件及其最可能失敗的領域。

研究團隊綜合了超過 400 項研究成果，總結了涵蓋模型強化學習、影片生成、網頁與 GUI Agent、多 Agent 社會模擬以及 AI 驅動科學發現的超過 100 個代表性系統。研究分析了各等級與體制配對下的方法、失敗模式與評估實踐，提出了以決策為核心的評估原則，並提供了一個最小可複現評估套件。

這份框架連接了以往孤立的社群，規劃了從被動的下一步預測，邁向能夠模擬乃至最終重塑 Agent 所處環境的世界模型的途徑。研究同時列出了架構指導、開放問題與治理挑戰。