智能体先学规则再证不可能:AWM在封闭关卡给出Lean核验证明,基线十二次运行无一成功
核心概要
面对规则与目标都不公开的游戏环境,AWM把交互中得到的假设整理成显式的代数世界模型,再在Lean 4中给出核验过的可达性与不可能性证明。在两个预算低于最低通关成本的封闭关卡上,AWM六次运行全部产出封闭的核验证明,排除预算内所有合法通关序列;Claude Opus 5.5与GPT-6 Astra的十二次基线运行没有产出这类证明。在25个公开ARC-AGI-3游戏上,这些模型让Lean重放了全部183关的通关轨迹。
深度剖析
智能体可以在一个规则未知的环境里先学出显式的数学模型,再用这个模型证明目标在给定预算内无法达成,而不只是靠反复尝试失败来推断。 此前的形式化数学进展通常建立在预先给定的定义与形式规范之上,环境中的对象、动作效果和成功条件本身不需要学习。 在两个把预算压到最低通关成本之下的封闭关卡上,AWM六次运行都给出封闭、经Lean内核检查的不可能性证明,排除预算内所有合法通关序列;Claude Opus 5.5和GPT-6 Astra在十二次基线运行中没有产出这样的证明。
模型不是黑箱,而是由带类型的对象、具名规则和目标谓词组成,规则可以被逐条检查,证明依赖也能指出结论落在哪些规则上。 此前的代码世界模型可以复现观测到的转移,但复现采样转移并不保证抓住关键规则。 在25个公开游戏上,AWM记录742个可执行概念并撤回143个,最终整理成170个对象类型和283条规则,每个游戏中位数是6个类型和10条规则;Lean从初始状态重放了全部183关的通关轨迹并核验终局状态。
学到的规则还能用在没见过的画面上:布局改变时继续预测下一帧,机制改变时把新转移判为不一致。 探索阶段写下的概念只覆盖实际走过的转移,在未见画面上接受率明显偏低。 在ls20上,探索阶段的概念在接受未见画面上的合法转移时为67%–70%,经过结构化与化简后的冻结规则为99.47%–99.95%;在ft09机制被改动的两组上,冻结规则拒绝了全部4031条转移。
启示与展望
演示范围是ARC类环境:动作离散、反馈即时且可观测,学到的规则能逐条对照记录下来的转移检查。作者把更丰富的隐藏状态、延迟反馈和随机动态列为尚待测试的方向。
Lean保证的是证明在学习到的模型及其显式前提下成立,前提是否抓住环境要靠交互检验;两个封闭关卡上最初有两次运行的界偏高,分别报20和47,原因是学到的规则漏掉了引擎允许的更省成本路线。把模型层面的不可能性证明迁移到游戏本身,六次中有五次通过引擎生成的转移完成核验。
