耦合控制、结构化记忆与可验证动作在智能体 AI 中的实现（SCRAT——随机控制与检索可审计轨迹）：从松鼠 locomotion 与 Scatter-Hoarding 的比较视角
人工智能
2026-04-06 v1
摘要
智能体 AI 的评估标准正逐渐从单纯的流畅输出，转向其是否能够在部分可见性、延迟和战略观察条件下进行行动、记忆与验证。现有研究常将这些需求分别研究：机器人领域强调控制，检索系统强调记忆，而对齐或保证工作则强调检查与监督。本文认为，松鼠生态学提供了一个尖锐的比较案例，因为树栖 locomotion、散粮储藏以及观众敏感性储藏将所有三个需求在一个生物体中耦合。我们综合了狐狸、东部灰松鼠以及一项野外比较中红松鼠的证据，并构建明确的推断梯级：经验观察、最小计算推断与 AI 设计推测。我们引入一个最小化的分层部分可见控制模型，包含潜在动力学、结构化情景记忆、观察者信念状态、选项级动作以及延迟验证信号。这激发了三个假设：(H1) 快速本地反馈加上预测补偿可提高隐藏动力学变化下的鲁棒性；(H2) 面向未来控制组织化的记忆可改善在线迁移冲突和负载下的延迟检索；(H3) 验证器与观察者模型置于行动-记忆环内，可减少静默失效与信息泄露，但仍易受误指定脆弱。下游推论是，角色差异化的提议人/执行人/检查人/对手系统可能在非对称信息与验证负担下减少相关错误。本文的贡献是提供一个比较视角与基准议程：一个关于控制、记忆与可验证动作耦合的严格可证伪主张计划。
引用
@article{arxiv.2604.03201,
title = {Coupled Control, Structured Memory, and Verifiable Action in Agentic AI (SCRAT -- Stochastic Control with Retrieval and Auditable Trajectories): A Comparative Perspective from Squirrel Locomotion and Scatter-Hoarding},
author = {Maximiliano Armesto and Christophe Kolb},
journal= {arXiv preprint arXiv:2604.03201},
year = {2026}
}
备注
15 pages, 4 figures, 3 tables