通过物理交互无语言监督的世界模型中涌现的语义表征

在没有语言监督的情况下，世界模型从物理探索中学习什么？我们认为答案由单个原则组织：物理世界的几何结构。在对随机具身探索训练基于变分自编码器的世界模型时，我们发现其隐空间发展出与物理几何相吻合的空间语义结构——方向准确率为 0.677±0.029，远高于随机初始化编码器的 0.547；位置 RSA 为 0.192±0.047，远高于随机编码器的 0.029（提升了 6.6 倍），表明训练诱导了超出 CNN 归纳偏置的真实结构组织。在 20 个时间检查点上，预测性能和语义对齐性同步提升（Spearman r=-0.61, p=0.004），与共享驱动账户相一致。我们通过双敲除法确认：标准 KL 正则化（beta=0.1）迫使编码器偏离几何结构，预测性能和语义对齐性在第 50,000 步时几乎全部崩溃至接近随机，正如共享驱动账户所预测；将 beta 降低到 0.001可恢复几何访问并同时恢复两项能力。这些发现确立了物理世界几何作为世界模型表征的组织原则，为设计具语义 grounding 的具身智能体提供了直接含义。