Paper Morning 2026-09-11

各位早上好，今天周五，Paper Morning开播了。 我想先从一个我们领域最近特别热闹的话题说起——怎么让AI真正理解物理世界？过去一年，大家都在讨论world model，但真正能用来做科学计算、能和物理模拟对接的world model其实还很少。今天这几篇论文刚好从不同角度触碰了这个问题。 第一篇是Programmable World Model，作者是港中文的团队。他们提出了一个很有野心的想法：把world model分成两层，一层管世界状态的演化，一层管视觉生成。具体做法是用自然语言指令生成可执行程序，这些程序直接控制实体状态和状态转移规则，而不仅仅是生成像素。这意味着模型能维护一个显式的、持久的世界状态，哪怕物体不在画面里。这让我想到我们做PDE求解的时候，解的存在性本身就是对全局状态的某种保证。如果把这个思路迁移到科学计算，也许能让neural operator真正记住系统的长期行为，而不是只预测下一个时间步。 第二篇AgentGrad关注的是多智能体系统的prompt优化。这个问题其实和我们训练neural operator时遇到的挑战很像——怎么让各个组件之间协调工作？之前的方法在提取梯度时没有验证修改是否真的能解决失败问题，在聚合梯度时又太随机。作者提出了一套更严谨的框架。我特别感兴趣的是他们怎么定义“文本梯度”，这其实和我们做物理信息神经网络时用的adjoint method有异曲同工之处，都是把反馈信号转化为参数更新。 第三篇Show-Harness非常有意思，它让VLM直接控制机器人。作者设计了一个紧凑的语义接口，把意图翻译成离散的动作单元，然后由具体的解释器把这些单元落地成机器人的实际动作。这其实揭示了一个我们在AI4S里常常忽略的问题：foundation model再强，也需要一个可靠的“执行层”。你们看，这和我们在科学计算里常常讨论的“算子近似”是不是很像？无论模型预测多准，最后总需要一个数值求解器来落地。 第四篇OpenWAM是一个模块化的world-action model研究框架。作者把过去那种 monolithic 的设计拆开了，研究到底哪些组件真正重要。这让我想起去年我们讨论scaling law时的情形——当时大家也在问，到底是数据重要还是架构重要？OpenWAM通过控制变量实验告诉我们，在world-action model这个新领域，可能信息流的设计才是关键。他们甚至开源了一整套训练推理部署的工具链，这点很值得称赞。 最后一篇Marigold V2是用diffusion transformer做单目深度估计。这个方向本身很成熟了，但作者的一个做法让我觉得有意思：他们从预训练的多步flow-matching模型蒸馏出单步模型，保持了模型容量的同时大大降低了推理成本。这其实就是在践行test-time compute的思路嘛——不在训练时堆参数，而是在推理时想办法更高效。我之前说过，diffusion model在科学计算里最有潜力的方向之一就是做不确定性量化，Marigold V2这种对推理效率的执着追求，给我们提供了一个很好的参考。 好了，今天这几篇论文看下来，我有一个整体的感受：大家都在从不同的方向逼近同一个目标——怎么让AI生成的“虚拟世界”真正可信、可控、可落地。无论是从状态持久化的角度、从prompt工程的角度、从语义接口的角度、还是从模块化设计的角度，核心问题都是一致的：当模型的能力越来越强，我们怎么建立它和物理世界之间的可靠连接？这可能也是我们做AI4S的人最需要思考的问题——foundation model再强大，如果不能和数值求解器、和物理规律、和实验数据形成闭环，价值就有限。 今天的分享就到这里，我们明天早餐时间见。