World Model论文笔记

约 2764 字大约 9 分钟

2026-07-8

World Models

引言部分

人类会根据自身有限感官能够获取的信息，在大脑中逐渐建立一个关于世界的内部模型（Mental Model），压缩空间信息和时间信息。理解我们大脑中预测模型的一种方式：它可能不仅仅是一般性地预测未来，而是在给定我们当前运动指令/动作的情况下预测未来的感官数据。用一种更计算机的语言说——在给定当前状态的情况下，输出未来将会接收到怎样的感觉输入。

世界模型就是模仿这个人类的内部模型。

强化学习不仅需要学策略，更需要学“环境规律”。世界模型的目标就是学习环境动力学，而不是直接输出动作。
世界模型应先于策略学习。作者将智能体拆分为“大世界模型 + 小控制器”，用无监督方式学习世界，再让简单控制器完成任务。
最终目标是在“梦境”中训练智能体。如果世界模型足够准确，智能体甚至可以完全在自己学习出来的虚拟环境中训练，再迁移到真实环境执行。这也是整篇论文最具影响力的思想。

智能体模型

智能体拥有一个视觉感觉组件，它能将所看到的事物压缩成一个小的代表性代码。它还有一个记忆组件，可以根据历史信息对未来的代码进行预测。最后，我们的智能体有一个决策组件，该组件仅根据其视觉和记忆组件创建的表征来决定采取何种行动

视觉（VAE (V) Model）

V 模型的作用是学习每一个观测到的输入帧的抽象、压缩表征。将每一张图像帧压缩成一个小的隐向量（latent vector） $z$ 。

记忆（MDN-RNN (M) Model）

M 模型的作用是预测未来。M 模型作为一个预测模型，用于预测 V 模型预期将产生的未来 $z$ 向量。将 $p(z)$ 近似为混合高斯分布，并训练 RNN 根据提供给它的当前和过去的信息，输出下一个隐向量 $z_{t+1}$ 的概率分布。

这种方法被称为混合密度网络（Mixture Density Network，Bishop, 1994）结合 RNN (MDN-RNN) (Graves, 2013; Ha, 2017a)，过去已应用于序列生成问题，例如生成手写体 (Graves, 2013) 和草图 (Ha & Eck, 2017)。

控制器（Controller (C) Model）

控制器 (C) 模型负责决定采取何种行动方案，以最大化智能体在环境的一次推演（rollout）过程中的预期累积奖励。 C 是一个简单的单层线性模型，在每个时间步将 $z_t$ 和 $h_t$ 直接映射为动作 $a_t$ （ $h_t$ 是 RNN 在时间 $t$ 的隐藏状态 $a_t$ 是在时间 $t$ 采取的动作）：

a_t = W_c [z_t h_t] + b_c

$W_c$ 和 $b_c$ 是权重矩阵和偏置向量，用于将拼接的输入向量 $[z_t h_t]$ 映射到输出动作向量 $a_t$

VMC结合

在每个时间步 t 首先由 V 处理，以生成 (z_{t}).输入到 C 的原始观测值是该潜在向量 (z_{t}) 与 M 的隐藏状态相连接，用于电机控制，并将对环境产生影响。随后，M 将以当前的 zt 和动作 at 作为输入，更新其自身的隐藏状态，生成 (h_{t+1})，供时间 (t+1) 使用

赛车实验

CarRacing-v0 将“解决（solving）”定义为在连续 100 次试验中获得 900 的平均奖励，这意味着智能体几乎不能犯任何驾驶错误在这个环境中，每次试验的赛道都是随机生成的

特征提取的世界模型

为了训练V和M，作者让智能体随机运动了10000次，并记录了随机的动作 $a_t$ 与对应的环境。

使用这个数据集来训练 V，使其学习每一个观测帧的隐空间（latent space），通过最小化给定图像帧与解码器从 $z$ 生成的重构帧之间的差异，来训练我们的 VAE 将每一帧编码为低维的隐向量 $z$

使用训练好的 V 模型将时间 $t$ 的每一帧预处理为 $z_t$ ，进而用来训练 M 模型，利用这些预处理过的数据，连同记录的随机动作 $a_t$ ，可以训练 MDN-RNN 将 $P(z_{t+1}|a_t, z_t, h_t)$ 建模为混合高斯分布。

世界模型（V 和 M）对来自环境的实际奖励信号一无所知，它的任务仅仅是压缩并预测观测到的图像帧序列。

流程

为了总结赛车实验，以下是采取的步骤：

使用随机策略收集 10,000 次推演（rollouts）数据。
训练 VAE (V) 将图像帧编码为 $z \in \mathcal{R}^{32}$ 。
训练 MDN-RNN (M) 来对 $P(z_{t+1}|a_t, z_t, h_t)$ 进行建模。
将控制器 (C) 定义为 $a_t = W_c [z_t h_t] + b_c$ 。
使用 CMA-ES 求解能够最大化预期累积奖励的 $W_c$ 和 $b_c$ 。

结果

只有V的情况：没有历史信息、没有未来预测、Controller 只能依据当前画面做决策。行驶过程中左右摇摆；急转弯容易冲出赛道；驾驶稳定性较差。

加入世界模型（V和M）：包含了历史信息、对未来的预测、当前观测 Controller 直接读取 RNN 已经预测好的未来信息。驾驶更加平稳；能够顺利通过急弯；很少冲出赛道。

梦境

可以将世界模型预测的未来用作下一次的“真实”观测，把训练好的 C 放回这个完全由 M 产生的“幻象梦境”环境中

VizDoom 实验

智能体必须学会躲避房间另一侧怪物发射的火球，这些火球的唯一目的就是击杀智能体。该环境中没有明确的奖励，因此为了模拟自然选择，累积奖励可被定义为智能体在一次展开过程中成功存活的时间步数。环境的每次展开最多运行2100个时间步（约60秒），如果连续100次展开的平均存活时间超过750个时间步（约20秒），则视为任务完成（Paquette, 2016）。

梦境中的学习

作者通过赛车实验，在想能否训练智能体在其自身的梦境中学习策略，并将该策略迁移回实际环境中？毕竟，我们的智能体并不会直接观察现实，它所看到的只是世界模型允许它看到的内容。

流程

由于我们想要构建一个可以在其中训练智能体的世界模型，这里的 M 模型除了预测下一帧的 $z_t$ 之外，还将预测智能体是否在下一帧中死亡（作为一个二元事件 done，或简写为 $d_t$ ）

总结 Take Cover 实验，采取的步骤如下：

从随机策略收集 10,000 次推演数据。
训练 VAE (V) 将每一帧编码为隐向量 $z \in \mathcal{R}^{64}$ ，并使用 V 将从步骤 (1) 收集的图像转换为隐空间表征。
训练 MDN-RNN (M) 以建模 $P(z_{t+1},d_{t+1}|a_t,z_t,h_t)$ 。
将控制器 (C) 定义为 $a_t=W_c[z_t h_t]$ 。
使用 CMA-ES 求解能够最大化虚拟环境中预期存活时间的 $W_c$ 。
在实际环境中使用从步骤 (5) 学习到的策略。

迁移至真实环境

即使 V 模型不能正确捕获每一帧的所有细节（例如弄对怪物的数量），智能体仍然能够使用学到的策略在真实环境中导航由于虚拟环境本身甚至无法准确追踪怪物的确切数量，一个能够在更嘈杂、更具不确定性的虚拟噩梦环境中存活下来的智能体，必将在这个原始的、更干净的环境中茁壮成长。

欺骗世界模型

世界模型会找到一个在动力学模型下看起来不错的策略，但在实际环境中却会失败的策略（比如在梦境学习中通过某种移动来阻止怪物发射火球）

为了解决这个，作者使用了MDN RNN并且调高了温度。

世界模型越“死板”，Agent 越容易钻空子；世界模型保留合理随机性，Agent 才能学到真正能迁移到现实中的策略。

迭代

对于更复杂的任务，需要一种迭代训练过程。我们需要智能体能够探索它的世界，并不断收集新的观测结果，以便其世界模型能够随着时间的推移而得到改进和完善

迭代训练过程 (Schmidhuber, 2015a) 如下：

使用随机模型参数初始化 M、C 。
在实际环境中进行 N 次推演（rollouts）。将推演期间所有的动作 $a_t$ 和观测 $x_t$ 保存到存储中。
训练 M 以建模 $P(x_{t+1}, r_{t+1}, a_{t+1}, d_{t+1} | x_t, a_t, h_t)$ ，并在 M 内部训练 C 以优化预期奖励。
如果任务尚未完成，则返回步骤 (2) 。
已经证明，这个训练循环的一次迭代就足以解决简单的任务。对于更困难的任务，我们需要控制器在步骤 2 中主动去探索对改进其世界模型有益的环境区域

其实就是：

采集随机数据
用采集的随机数据训练M，再训练C
用C去实际测试，收集C产生的数据
如果任务没完成则用3收集的数据继续训练M和C

世界模型未来除了预测：下一状态（Next State）以及Done（终止状态）还应该预测：Reward（奖励）与Action（动作）这样世界模型不仅知道：世界如何变化（Dynamics），还知道：Agent 通常如何行动（Policy）以及哪里能够获得高奖励（Reward）。

通过不断地迭代学习：Controller 学会越来越复杂的技能（如走路、抓取等），这些技能可以逐渐被世界模型吸收。世界模型（M）负责底层技能（如运动控制、环境动力学）控制器（C）负责高层决策（如导航、任务规划）形成自然的层次化学习（Hierarchical Learning）。

迭代训练通过"交互—更新世界模型—优化策略"的循环，使世界模型不断吸收新的技能和知识，让控制器专注于更高层次的决策，从而实现持续学习、层次化学习以及自然课程学习。