ICML 论文：基于赋能目标的控制中心表征学习，敏感度差达千倍
burny_tech · x · 2026-10-25
Benjamin Eysenbach 团队在 arXiv 发布论文《Learning to Perceive the World Through Control》，提出以「赋能」（empowerment）为目标的表征学习新范式：智能体应按照自己「能影响世界的程度」来表征世界，而非依赖预测目标、外部奖励或固定数据集。核心发现：
- 通过最大化智能体技能与未来结果的互信息，涌现出两种互补表征：forward（描述哪些结果可被影响）与 backward（描述状态如何被到达）。
- 在一定假设下，两者都对与控制无关的信息保持不变性，无需任务奖励或专家示范。
- 在 Point-Maze、Ant 和视觉操作实验中，学到表征对控制相关状态变量的敏感度比无关变量高至少 1000 倍。
论文强调「通过交互而非被动数据学习表征」的重要性，与因果学习文献视角一致。
「具身」频道最新
- Apollo Hospitals 在班加罗尔部署 Intuitive da Vinci 5 手术机器人 — VectorWireAI · 2026-10-25
- ETH Zurich 让 G1 机器人爬梯越障：仅需 10 分钟人类训练数据 — Distinct-Question-16 · 2026-10-25
- 15克软体驱动器可举起400克，成本不到3加元 — IanPritchard · 2026-10-25
- 人体模特装上机械臂当机器人「打工人」，焊台前埋头干活的图火了 — repligate · 2026-10-25
- 英伟达开源 2575 个 3D 资产，472GB 全带物理属性 — tinyfool · 2026-10-25
- 研究者呼吁加速机器人研究：2 天即可产出 supermimic 后续论文 — ChongZzZhang · 2026-10-25