分散式糾纏世界模型架構
——從本體論降維到具身化黑盒連接
作者：Neo.K（許筌崴） 機構：EveMissLab（一言諾科技有限公司） 文件編號：EML-EWM-2026-v0.1 日期：2026-06-01 關聯文件：EML-TOPOLOGY-INFINITY-2026-v0.1、EML-LIMINAL-2026-v1.0、EML-VALIDATION-MENTAL-SIM-2026-v0.1
前言：一個被誤解的對立
現有的 AI 架構設計中存在一個頑固的假對立：世界模型（World Model）路線和具身化學習（Embodied Learning）路線被視為互相競爭的研究方向。前者試圖在計算機內部建立對外部現實的精確表示，後者試圖讓 AI 系統在物理世界中通過感知-行動迴路積累智慧。雙方各自有大量資金投入，各自有旗幟性的研究機構，各自宣稱自己是通往 AGI 的正確路徑。
這個對立是假的。
本文的核心主張是：世界模型不是對世界的「建模」，而是世界自身的降維敘述。這個本體論立場一旦確立，世界模型與具身化學習的對立就立即瓦解——它們是同一種東西在不同觀察者尺度上的表現形式。正確的架構設計不是選擇其中一個，而是把兩者以及它們之間的連接層，從一開始就設計為三體糾纏系統。
本文進一步主張：三體糾纏系統中的連接層，是一個需要被誠實承認的黑盒子。試圖顯式設計這個連接層的因果提取邏輯，是把問題往下推一層而不是解決它。正確的設計是：建立有利於湧現的條件（多頭並行、三體聯合訓練），然後讓資料自己定義連接結構。
這個立場在表面上看起來是工程的退讓，實際上是認識論的誠實。深度學習最大的教訓是：人類設計的歸納偏置往往比資料找到的結構更差。對連接層適用同樣的教訓。
摘要
本文提出分散式糾纏世界模型架構（Distributed Entangled World Model Architecture，DEWMA），以本體論降維定義為哲學起點，論證世界模型與具身化學習的假對立，建立三層巢狀架構（具身化 AI 層 ↔ 遊戲化世界模型層 ↔ 大 AI 管理層），並系統性地處理跨層因果結構保存問題。核心技術主張包含：連接層設計為多頭並行黑盒、三體從訓練起點即糾纏、real-to-sim 反向校準機制、分散式生長式對抗框架（DGAF），以及混合專家模型（MoE）的異質資料流整合。本文並指出現有旗幟性世界模型方案（以 World Labs / Marble 為典型）的結構性缺陷：缺乏外部因果迴路使其本質上是視覺生成器而非世界模型。DEWMA 試圖提供一個同時在哲學上融貫、在工程上可實施的整合架構。
關鍵詞：世界模型、具身化學習、因果結構保存、黑盒連接層、分散式生長式對抗、混合專家模型、本體論降維
核心命題
命題一（本體論降維）：世界模型是世界本身的降維敘述，而非對世界的外部建模。任何存在的系統，若能接收資訊、維持狀態、輸出反應，即為一個相對觀察者意義下的世界模型。
命題二（假對立）：具身化學習系統（外部感知-行動迴路）與內部世界模型（生成性預測模型）不是競爭方案，而是完整智慧架構的互補半部。缺乏任一者均構成結構性殘缺。
命題三（三體糾纏）：完整的 DEWMA 架構需要三個子系統從訓練起點即糾纏：具身化 AI 層（外部迴路）、遊戲化世界模型層（內部模型）、連接層（黑盒中介）。三體的聯合訓練壓力定義連接層的結構，而非由設計者顯式規定。
命題四（黑盒誠實）：連接層的因果結構保存功能不可被顯式設計，任何顯式設計方案均構成遞迴的同一問題。正確的工程態度是承認黑盒、設計有利湧現的條件，讓資料說話。
1. 本體論基礎：世界模型作為降維定義
1.1 被誤置的主客框架
「世界模型」這個詞在 AI 研究中往往被使用得模糊：有時指能夠預測環境狀態的神經網路，有時指能夠生成逼真 3D 場景的生成模型，有時指 LeCun 意義下能夠進行階層式預測的 JEPA 架構。這些定義的分歧不僅是技術上的，更是哲學上的——它們對「世界模型和世界之間是什麼關係」這個問題，有著隱含的不同假設。
通常的假設是：世界模型是「關於世界的模型」。它試圖在計算系統內部建立對外部現實的精確表示。這個假設隱含著主客分離的認識論框架——有一個客觀的「真實世界」，有一個試圖描述它的「模型」，兩者是獨立的實體。
本文主張：這個框架是降維之後的敘述，不是完整的圖像。
完整的圖像是：世界本身就是世界模型。
更精確地說：宇宙（或任何被稱為「世界」的系統）運作的方式，是通過結構性約束（物理定律、因果關係、守恆律）生成可觀察的事件序列。這個「通過結構性約束生成可觀察事件序列的系統」——正是世界模型的功能定義。世界不是被建模的對象；世界本身就是它自己的模型。
當我們說「建立一個世界模型」，我們真正做的是：從宇宙這個完整世界模型中，抽取一個降維的子模型，使其在特定查詢域內的行為與原始宇宙近似。這個降維操作有資訊損失，有適用域限制，有近似誤差。「世界模型」是降維的結果，不是獨立的存在。
這個本體論立場有一個直接推論：任何存在的系統，只要它在接收資訊、維持狀態、生成輸出，它就是一個在某個尺度和解析度上運行的世界模型。這個推論把「世界模型」從一個計算機內部的特殊對象，變成了一種跨越所有存在形式的普遍結構。
1.2 觀察者即相對世界模型
接受上述本體論框架，一個重要的推論隨之而來：任何觀察者（Observer），不論其載體為何，都是一個相對意義下的世界模型。
一個觀察者的定義性質是：接收來自環境的資訊（感知通道）、維持內部狀態（記憶與表示）、基於內部狀態對環境產生反應（行動通道），並通過感知-行動迴路持續更新內部狀態。這個定義與「世界模型」的功能定義完全重疊。觀察者不是在「使用」世界模型——觀察者本身就是一個世界模型，一個以特定解析度、特定適用域在運作的降維子系統。
具體到本文的設計語境：
一個具身化 AI 機器人，接收視覺、觸覺、本體感覺資訊，維持內部表示，對物理世界產生行動——它是一個相對觀察者意義下的世界模型，基底是物理硬體，適用域是它的感知-行動空間。
一個計算機內部的遊戲化世界模型，接收來自多個代理的輸入，維持世界狀態，生成對代理行動的回應——它也是一個世界模型，基底是數字計算，適用域是它的規則系統所定義的可能狀態空間。
一個大型語言模型，接收自然語言輸入，維持龐大的參數空間，生成語言輸出——它同樣是一個世界模型，壓縮了人類語言所記錄的大量知識結構，適用域是語言所能描述的現象範圍。
這三者不是不同種類的東西——它們是在不同解析度、不同適用域、不同基底上運行的同一種東西：世界模型。認識到這一點，是 DEWMA 架構設計的哲學起點。
1.3 三種資訊收集模式的本體論地位
具身化 AI 作為相對世界模型，通過三種基本模式收集資訊：
觀察（Observation）：被動接收環境狀態資訊——視覺、聲音、電磁場等。觀察是最低成本的資訊收集模式，但在因果論的層次結構中只停留在最低層：關聯（Association）。觀察告訴你「A 和 B 一起出現」，不告訴你「A 導致了 B」。
體驗（Experience）：在環境中持續存在的時序感知——時間序列、空間位移、狀態連續性。體驗豐富了觀察的時序維度，能夠捕捉相位轉換和臨界現象。體驗開始觸碰因果層次結構的第二層：通過時序連續性的觀察，可以初步推斷方向性（A 先於 B，B 先於 C）。
交互（Interaction）：主動干預環境，觀察回應。這是獲取因果資訊的唯一可靠方法。你對系統施加了干預 X，系統回應了結果 Y，因果關係 X → Y 得到初步確認。交互對應 Pearl 因果層次的第二層（Intervention），是真正意義上的因果資訊採集。
反事實推理（Counterfactual）——Pearl 因果層次的第三層——無法通過外部觀察、體驗或交互直接獲得，需要通過內部世界模型的推演來完成：「如果我當時沒有施加干預 X，Y 還會發生嗎？」這是外部具身迴路與內部生成模型必須整合的核心原因之一。
2. 現有路線的結構性缺陷
2.1 世界模型路線：有內無外
以 World Labs / Marble 為代表的世界模型路線，其核心商業產品是：從文字、圖片、影片輸入，生成可編輯的 3D 環境。其理論框架稱之為「空間智慧（Spatial Intelligence）」，宣稱目標是讓 AI 理解物理空間的結構和動態。
這個方案的結構性問題不是技術實現上的缺陷，而是架構上的哲學失誤：
Marble 的資訊流向是單向的：輸入（視覺/語言）→ 生成（3D 場景）。系統接收描述，輸出外觀。但在整個流程中，沒有任何機制允許系統知道它的物理假設是否正確——生成了一堵牆，但系統永遠不知道如果推這堵牆它會不會倒；設計了一個水池，但系統不知道水是否真的往低處流；創建了一個懸浮的石頭，系統不知道這違反了重力定律還是這個世界就是如此。
這不是「缺少物理引擎」的問題，而是缺乏外部因果迴路的問題。視覺一致性（Visual Consistency）≠ 因果一致性（Causal Consistency）。你可以生成一個視覺上無懈可擊的 3D 世界，同時它的因果物理是完全破碎的，因為視覺分布內的統計插值不包含任何物理定律的約束。
Marble 本質上是一個極其精良的視覺生成器，不是世界模型。稱它為「世界模型」，是把工具的輸出形式（3D 場景）誤認為工具的認知能力（對物理因果的理解）。
這個批評可以廣義化：所有僅從視覺/語言數據訓練、沒有物理環境交互反饋迴路的「世界模型」方案，都面臨同樣的結構性缺陷。缺乏外部因果迴路，意味著缺乏通往干預層因果知識的通道。
2.2 具身化學習路線：有外無內
另一個極端是純粹的具身化學習路線：讓機器人在物理環境中通過感知-行動迴路積累經驗，從錯誤中學習物理規律。這個路線有正確的因果迴路，但面臨三個根本性的限制：
採樣效率極低：物理世界的因果採樣成本極高。每一次試錯都消耗真實時間和物理能量，而且物理世界不能加速、不能重置、不能修改規則。人類嬰兒需要數年才能習得基本物理直覺，而且嬰兒有豐富的先天歸納偏置作為初始化，機器人沒有這個優勢。
泛化能力有限：在特定物理環境中積累的具身經驗，往往難以遷移到不同的物理配置。這是因為具身化學習傾向於學習特定環境的統計規律，而非普遍的因果結構。機器人學會了在特定地形行走，換到不同地形需要大量重新適應——因果結構沒有被真正抽象化。
缺乏內部生成模型：純具身化系統沒有能夠在不與物理世界直接交互的情況下進行預測和反事實規劃的內部模型。它只能反應，不能預演；只能適應已發生的，不能預見未發生的。Pearl 因果層次第三層的反事實推理能力，在沒有內部生成模型的情況下完全缺失。
2.3 假對立的根源與消解
兩個路線各自殘缺，但它們的爭論往往演變成「哪個更重要」的優先性爭論，而不是「如何整合」的架構問題。假對立的根源在於：把「世界模型」定義為計算機內部的靜態對象，把「具身化學習」定義為物理世界中的動態過程，然後把兩者看成不同種類的東西。
接受第一節的本體論框架之後，這個分類瓦解：物理世界中的具身化 AI 本身就是一個世界模型（只是在物理基底上運行）。計算機內部的生成模型也是一個世界模型（只是在數字基底上運行）。它們是同一種東西，差異是解析度和基底，不是種類。
整合它們不是「把兩種不同的 AI 方法合並」，而是「讓同一種東西在不同解析度的基底上運行，並讓它們的資訊互相流動」。這個框架轉換是 DEWMA 設計的根本出發點。
3. 三層巢狀架構：DEWMA 設計
3.1 架構概述
分散式糾纏世界模型架構（DEWMA）包含三個核心子系統，加上連接它們的黑盒連接層：
具身化 AI 層（Embodied AI Layer，EAL）：運行在物理世界或高保真物理仿真環境中的 AI 代理。其職能是通過觀察、體驗、交互三種模式從物理世界收集因果資訊，並通過連接層將這些資訊傳遞給 GWL。
遊戲化世界模型層（Gamified World Model Layer，GWL）：運行在計算機內部的動態模擬環境。不是靜態場景生成器，而是有完整物理規則、可以回應代理行動、能夠記錄並回放世界狀態的可控模擬器。GWL 是架構的內部世界模型組件。
大 AI 管理層（Large AI Management Layer，LAML）：以大語言模型（LLM）為核心的資訊整合和決策系統。它接收來自 EAL 和 GWL 的資訊，管理 GWL 的規則更新，協調多個具身化 AI 代理的任務分配，並維護跨時間的全局知識庫。
連接層（Connection Layer，CL）：EAL 和 GWL 之間，以及兩者與 LAML 之間的資訊傳遞通道。CL 不是顯式設計的翻譯器，而是多頭並行的黑盒模組，其功能通過三體聯合訓練湧現。
宇宙/物理世界
│
│ 感知-行動迴路
↓
┌─────────────┐
│ EAL 層 │ ← 真實因果信號
│ 具身化 AI │
└──────┬──────┘
│
│ 連接層（黑盒，多頭並行）
│ real-to-sim 反向校準
↓
┌─────────────┐
│ GWL 層 │ ← 規則顯式，可控，可加速
│ 遊戲化世界 │
└──────┬──────┘
│
│ 連接層（知識整合通道）
↓
┌─────────────┐
│ LAML 層 │ ← 全局知識，任務協調
│ 大 AI 管理 │
└─────────────┘3.2 具身化 AI 層（EAL）
EAL 的核心職能是獲取真實世界的因果資訊。設計要求如下：
感知多樣性：EAL 必須具備多模態感知能力——視覺（空間結構、物件識別）、觸覺（材質、力度、溫度、變形）、本體感覺（自身姿態和力矩狀態），以及任何任務域中需要的信號模態。單一感知模態的 EAL 在因果信號豐富度上有嚴重限制：僅有視覺的機器人永遠無法直接感知力的大小，只能間接推斷；而力是因果關係中的核心變量。
行動完整性：EAL 的行動空間必須覆蓋其任務域的因果完整性——即對於任何 EAL 需要理解的因果關係，它必須有能力觸發原因。一個只能觀察而無法行動的「具身化 AI」退化為純粹的觀察者，在因果資訊的獲取上受到根本性限制。
狀態連續性：EAL 需要維護跨時間的連續狀態記錄，以便為 GWL 提供因果軌跡資料而非孤立的快照。因果關係是動態的、時序的，需要時間序列才能被識別和確認。
載體中立性：EAL 的設計原則應對具體的物理載體保持中立。機器人是一種 EAL，佩戴感測器的人類操作員也可以是一種 EAL，整合進環境的感測器網路同樣可以是 EAL。架構的核心是功能定義，不是具體的載體形式。
3.3 遊戲化世界模型層（GWL）
GWL 的設計哲學是：一個規則可控、狀態可保存、時間可縮放的物理世界替代品，同時也是一個能夠被真實世界因果資料校準的內部生成模型。「遊戲化」的命名強調它的一個核心優勢：遊戲世界的規則是顯式定義的，可以被精確控制和受控修改。物理世界的定律是固定的，我們只能觀察；GWL 的定律是可程式化的，我們可以做物理世界中永遠無法進行的受控實驗。
規則顯式化：GWL 的物理規則必須是顯式的、可修改的。改變重力係數、改變材料彈性係數、引入物理世界中不存在的因果關係——這些能力讓 GWL 能夠生成 EAL 在物理世界中永遠無法遇到的訓練情境，從而大幅擴展因果空間的探索範圍。
Real-to-Sim 反向校準：傳統的 sim-to-real 路線是在模擬環境中訓練代理，然後嘗試把訓練結果遷移到真實世界。這個路線的核心問題是模擬差距（Simulation Gap）——真實世界的物理細節在模擬中被簡化，導致遷移失敗頻繁發生。
DEWMA 採用反向策略：EAL 在真實世界積累因果資訊，通過 CL 把這些資訊傳遞給 GWL，GWL 據此更新自己的規則系統，逐漸向真實世界靠攏。這是 real-to-sim 反向校準——讓模型向現實靠攏，而非讓現實代理向模型靠攏。模擬差距不是被消除的，而是被持續縮小的、動態的。
時間可縮放性：GWL 最大的效率優勢是時間縮放。EAL 在真實世界的因果採樣受物理定律約束，是實時的；GWL 可以以遠超真實時間的速度運行模擬，在真實世界需要數小時的試錯過程，GWL 可以在數分鐘內完成。但時間縮放需要謹慎使用：某些因果關係依賴真實的時間尺度（材料的蠕變、化學反應的速率），過度加速可能使這些因果關係失效。
多代理支持：GWL 必須能夠同時托管多個 EAL 代理，並管理它們之間的交互。多代理環境是湧現複雜行為的必要條件，也是第五節分散式生長式對抗機制的基礎。
3.4 大 AI 管理層（LAML）
LAML 是架構的整合中樞，但不是資訊的集中瓶頸。這個區分至關重要：集中整合（Centralized Integration）和集中控制（Centralized Control）是不同的，前者是必要的，後者是架構失敗的根源。
全域知識整合：LLM 組件維護著從人類知識語料中壓縮出的先驗知識庫。當 EAL 的因果資料需要與人類概念體系進行對應時，LAML 提供這個橋接——它知道「摩擦力」「重力」「彈性」這些概念的語義，可以把 EAL 的感知資料翻譯進人類可理解的知識體系。
GWL 規則管理：LAML 決定何時、如何修改 GWL 的物理規則。這些決策需要全局視角：當前訓練目標是什麼？哪些因果關係尚未被充分探索？哪些規則修改能夠最高效地填補知識空缺？這是 LAML 相對 EAL 和 GWL 的核心附加值——它擁有架構中最廣泛的上下文視野。
任務分配與協調：在多代理設置中，LAML 負責協調不同 EAL 代理的任務分配，確保因果空間探索的覆蓋度，避免冗余採樣，並在代理之間傳遞有效的部分知識，使整體探索效率超過各部分之和。
誤差仲裁：EAL 和 GWL 都會產生有噪聲的資訊。LAML 作為最高層的知識整合者，承擔對低置信度資訊的仲裁職能——決定哪些資訊應被納入全局知識庫，哪些應被標記為待驗證，哪些應被丟棄。
4. 跨層連接問題與黑盒中介解法
4.1 問題的精確定義
EAL 和 GWL 之間存在一個根本性的表示不相容問題，這個問題不是工程上的，而是本體論上的。
EAL 的資訊是連續、高維、物理嵌入的。視覺資訊是連續影像流；觸覺資訊是時序力度矩陣；本體感覺是關節角度和力矩的連續向量。這些資訊的語義是物理的：它們的意義由真實世界的物理規律定義，脫離了物理背景語義就消失了。
GWL 的表示是離散（或低維連續）、規則嵌入的。世界狀態是一組有限的變數；物理規則是顯式的函數定義；代理行動是枚舉的選項集合。GWL 的語義是規則的：它的意義由 GWL 自己定義的規則系統決定，不直接對應任何真實世界的物理現象。
跨層連接的因果保存問題：如何確保在從 EAL 的物理語義轉換到 GWL 的規則語義過程中，因果結構被保留？一個更直觀的表述是：EAL 中「推了 X，X 移動了 3 公分」這個因果事件，在 GWL 中應對應什麼樣的狀態轉換？這個對應不是語義問題（不是「推」這個詞對應什麼規則），而是本體論問題（物理世界的力和 GWL 的規則變數，在因果結構的層次上如何相互對應）。
4.2 顯式設計方案的遞迴失敗
面對這個問題，一個直觀的工程回應是：設計一個「因果結構提取器（Causal Structure Extractor）」，其職能是從 EAL 的物理資訊流中識別因果關係，並以 GWL 可理解的格式輸出。
這個方案的失敗不是實現上的，而是邏輯上的：它把問題往下推了一層。
因果結構提取器怎麼設計？它需要某種方式把連續物理信號轉換成離散因果關係。這個轉換本身需要什麼？它需要一個關於「什麼算作因果關係」的先驗判準。這個先驗判準從哪裡來？它需要某種對物理世界因果結構的先驗理解。這個先驗理解如何被形式化？
你發現了嗎——這個問題和我們最初的問題在結構上完全相同。顯式設計因果結構提取器，不是在解決跨層連接問題，是在重命名它，讓它在一個更低的層次上重新出現。這是一個遞迴的同類問題（Recursive Isomorphic Problem）：每一次試圖顯式解決它，都在下一層製造了一個相同形狀的問題。
4.3 黑盒中介：正確的工程態度
解決遞迴同類問題的正確方法，不是找到那個最終的顯式答案，而是認識到這類問題根本上是不可被顯式回答的，然後換一個方法論框架。
AI 研究的歷史給出了這個框架：不要試圖顯式設計特徵，設計讓特徵湧現的條件。
特徵工程（Feature Engineering）主導 AI 的時代，設計者需要顯式規定「什麼特徵對什麼任務重要」。深度學習的革命不是因為找到了更好的顯式特徵，而是因為把顯式特徵設計的工作交給了訓練過程——卷積層會自己發現邊緣、紋理、部件；Transformer 的注意力頭會自己分化出語法、語義、指代等不同的注意力模式。這些功能性分化從未被設計者規定，它們是訓練壓力下的自然湧現。
對連接層，應採取完全相同的態度：不要試圖顯式定義跨層因果保存的邏輯，設計讓跨層因果保存能力湧現的條件。
這些條件的具體設計如下：
多頭並行結構：連接層由多個並行的翻譯頭（Translation Head）組成，類比多頭注意力機制。每個頭學習 EAL 和 GWL 表示空間某個不同方面的對應關係。沒有任何一個頭被預先指定學什麼，它們在訓練壓力下自發分化。有些頭可能學習空間位移關係，有些頭可能學習力-加速度關係，有些頭可能學習難以用語言描述的更複雜的因果模式。多頭設計確保不同維度的因果結構都有對應的學習通道。
三體聯合訓練：EAL、GWL、連接層三者從訓練起點即同時訓練，而不是依次訓練。三體聯合訓練的關鍵是：連接層的梯度信號同時來自兩側——EAL 側的損失（「你的翻譯是否保留了物理上有意義的結構」）和 GWL 側的損失（「你的輸出是否能夠有效指導我的規則系統做出準確預測」）。單側訓練的連接層只需要討好一側，聯合訓練的連接層必須同時服務兩側，這個雙重約束強迫它學習真正在兩個世界中都有意義的表示。
無預設的選擇性保留：我們不預先假定連接層需要保留什麼、丟棄什麼。如果某個物理細節對 GWL 的預測精度毫無貢獻，連接層自然學會忽略它；如果某個看起來不起眼的信號對因果預測至關重要，連接層同樣自然學會保留它。這種資料驅動的選擇性，比任何設計者的先驗判斷都更準確。
4.4 承認黑盒的認識論意義
「連接層是黑盒子」這個主張需要被正確理解——它不是對設計者無能的承認，而是對複雜系統本質的認識論誠實，也是從 AI 研究歷史中提取出的方法論教訓。
深度學習的整個歷史告訴我們：人類對「什麼特徵對什麼任務重要」的先驗判斷，系統性地比訓練出的模型差。這不是說設計者笨，而是說複雜系統的有效特徵往往是人類直覺難以預測的，它們存在於人類語言和概念框架難以表達的維度中。
對跨層連接問題，我們沒有理由認為這個規律不適用。人類對「如何在物理表示和規則表示之間保存因果結構」的先驗理解，很可能比訓練出的連接層差得多。承認這一點，是把設計責任放在正確的地方：設計三體糾纏的訓練條件，設計有利於因果資訊流動的多頭架構，設計正確的訓練目標和評估指標——然後退出，讓資料說話。
黑盒不是問題，不承認它是黑盒才是問題。
5. 分散式生長式對抗框架（DGAF）
5.1 為何需要多代理生態
三層巢狀架構解決了單一代理在特定任務域中的學習問題。但一個具身化 AI 代理，不論多強大，都無法獨自覆蓋世界的因果複雜度——不僅因為計算資源的限制，更因為單一代理的探索策略在高維因果空間中本質上是局部的。
自然界解決這個問題的方式是：多個代理、競爭與合作、生態系的湧現秩序。個體的局部探索，通過競爭選擇和合作協調，匯聚成超越任何個體的集體知識。
DEWMA 採用類似的策略：分散式生長式對抗框架（Distributed Growth Adversarial Framework，DGAF）。「對抗」這個詞在這裡不只是指 GAN 意義下的生成-判別對抗，而是更廣義的：多個代理在共享環境中，其各自的生長對彼此構成選擇壓力。「生長式」特指代理的能力在訓練過程中持續擴展，而非在固定容量內進行參數調整。
5.2 多重生長式對抗（Multi-Growth Adversarial，MGA）
MGA 機制在 GWL 內部同時運行多個 EAL 代理，它們共享環境、競爭資源、互為訓練信號。
共享環境下的競爭壓力：多個代理在同一個遊戲化世界中運作，爭奪有限的資源（物理空間、任務完成獎勵）。競爭壓力驅動每個代理發展差異化的策略——一個代理發現了某個高效的因果利用方式，其他代理面臨的環境立刻因此改變，需要找到新的適應策略。這種動態的選擇壓力比靜態的單一任務環境更能促進多樣化能力的發展。
互為訓練信號的機制：代理 A 的行動是代理 B 的環境的一部分。當 A 改變了世界的狀態，B 需要處理 A 造成的新環境。這種動態的、由其他代理生成的訓練信號，比設計者預先設定的靜態任務更豐富、更難被單一策略完全覆蓋，從而持續維持訓練壓力的有效性。
分散式因果空間探索：每個代理根據其策略和當前狀態，探索因果空間的不同區域。LAML 定期從所有代理提取知識，整合進全局知識庫。這種分散式探索的覆蓋度，隨代理數量的增加近似線性增長，遠優於單一代理的序列探索。
能力生長機制：「生長式」特指代理不是在固定的架構和容量限制內學習，而是持續擴展其能力邊界。擴展方式包含：新的感知模態被整合（代理從只有視覺，到增加觸覺）、新的行動選項被解鎖（精細操作能力的習得）、內部模型的參數容量被動態擴展。生長機制確保選擇壓力持續有效——一個固定容量的代理達到上限後競爭壓力失效；一個持續生長的代理始終面臨新的選擇壓力。
5.3 分散式生長式對抗（Distributed Growth Adversarial，DGA）
MGA 針對的是 EAL 層內部多個代理之間的橫向關係。DGA 處理的是 EAL 層和 LAML 層之間的縱向分層關係，核心設計原則是：兩個層次不應共享相同的訓練動態。
EAL 的訓練目標是局部因果精度：在其具體的物理任務域內，預測行動後果的準確性最大化。EAL 不需要、也不應該試圖理解全局知識結構——要求它同時優化局部精度和全局一致性，會造成目標衝突和訓練不穩定。
LAML 的訓練目標是全局知識一致性：從 EAL 傳來的局部因果信號，需要與現有全局知識庫保持一致，同時知識庫的整體預測能力在多個任務域上持續提升。全局一致性優化需要比局部因果精度優化更長的時間窗口和更大的批次規模。
不同的訓練動態意味著：EAL 使用較高的學習率和較短的更新週期（對環境變化快速響應）；LAML 使用較低的學習率和較長的更新週期（全局知識的穩定性比快速響應更重要）。強迫兩者使用相同的訓練動態，會導致「遺忘-過擬合」的張力——LAML 若使用 EAL 的更新頻率，會不斷覆蓋之前整合的全局知識；若使用自己的更新頻率，EAL 的新發現無法及時被整合。
DGA 的分層設計讓每個子系統在各自適合的動態中優化，通過 LAML 對 GWL 規則的週期性更新，保持全系統的長期一致性。
5.4 誤差處理機制
多代理並行訓練不可避免地引入大量噪聲和潛在的誤差傳播問題。以下是核心的誤差處理設計原則：
交叉驗證代理（Cross-Validation Agents）：在 DGAF 中，部分代理被指定為交叉驗證角色，其職能不是探索新的因果關係，而是複現其他代理報告的因果發現。只有通過獨立複現的因果知識才被整合進全局知識庫，未通過複現的報告被標記為待驗證狀態。
置信度評分機制：每一條進入連接層的資訊攜帶置信度評分，計算方式基於：重複觀察次數、交叉驗證代理的確認狀態，以及與現有全局知識庫的一致性程度。低置信度資訊在全局整合時被降權，防止單一錯誤代理的噪聲污染全局知識庫。
異常值緩衝區與仲裁：當某個代理報告的因果關係與全局知識庫的預測嚴重偏離時，該報告不直接整合，而是進入「異常值緩衝區」。LAML 定期回顧這個緩衝區，判斷異常值是真正的新知識（意味著全局模型需要更新）還是採樣誤差（應被丟棄）。這個仲裁機制防止真正的新發現因為「不符合現有知識」而被過早丟棄，同時也防止誤差被錯誤地當作突破。
GWL 可重現性驗證：對於異常值緩衝區中的高度疑似候選，可以通過 GWL 進行可重現性驗證：GWL 嘗試構建能夠重現該因果關係的規則配置。若能夠重現，則提升置信度；若 GWL 在任何規則配置下都無法重現，則降低置信度，並向 EAL 發出重新採樣的請求。
6. 混合專家模型（MoE）整合
6.1 異質資料流的挑戰
DEWMA 架構中，資訊從多個異質來源匯入 LAML：EAL 的多模態感知資料（視覺、觸覺、本體感覺）、GWL 的規則更新記錄（符號形式）、多代理間的通信資料（動態結構）、以及 LAML 自身維護的語言知識（離散符號）。這些資料流有根本不同的統計結構——視覺資訊是高維連續的，觸覺是低維時序的，規則更新是符號離散的，語言知識是高維離散的。
用單一的神經網路架構同時處理所有這些資訊不是最優策略。不同模態的資訊有不同的有效感受野、不同的時序動態、不同的語義密度。
6.2 MoE 的角色
混合專家模型（Mixture of Experts，MoE）在 DEWMA 中扮演的角色是：讓不同模態的資訊路由到最適合處理它的專家模組，而非強迫所有資訊通過同一個處理器。
Gate Network（路由網路）學習根據輸入資訊的模態特徵，決定將其發送到哪個（或哪幾個）專家模組。路由不是靜態分配——同一條資訊在不同任務語境下，可能被路由到不同的專家組合。例如，同樣的觸覺信號，在「判斷物件材質」的語境下路由到材質專家，在「估算施加的力」的語境下路由到動力學專家。
功能性專家分化（示例，非固定）：
| 專家類型 | 輸入偏好 | 核心功能 | |---|---|---| | 視覺-空間專家 | 高維視覺資料 | 空間關係、物件識別、場景理解 | | 動力學專家 | 時序力度/速度/加速度 | 物理動力學建模、碰撞預測 | | 語言-符號專家 | 自然語言、規則符號 | 抽象關係、邏輯推理、概念映射 | | 跨模態整合專家 | 多模態組合 | 需要同時整合多種感知模態的任務 |
這些分化不是設計者規定的，而是在訓練壓力下自然形成的。初始化時所有專家架構相同，訓練中路由網路和各專家在聯合優化壓力下自發特化——這是 MoE 的淺度黑盒特性：架構被顯式設計，但具體的功能分工通過訓練湧現。
6.3 MoE 在 DEWMA 中的位置
CL（連接層）和 MoE 層在架構中位於不同的位置，扮演不同的角色：
CL 位於 EAL 和 GWL 之間，處理的是表示空間的跨層映射問題——物理世界的資訊如何轉換成 GWL 能夠使用的格式。CL 是深度黑盒，連接的具體機制完全通過三體聯合訓練湧現。
MoE 層位於 LAML 內部，處理的是異質資訊流的模態路由問題——來自不同來源的資料如何被最適合的處理器處理。MoE 是淺度黑盒，架構顯式設計，功能分工通過訓練湧現。
兩層的黑盒程度不同，在架構中的位置不同，但共享同一個設計哲學：設計湧現的條件，而非顯式規定功能。
7. 與生物智慧的對應
7.1 Friston 自由能原理的映射
Karl Friston 的自由能原理（Free Energy Principle，FEP）提出：生物大腦的基本操作是通過預測（內部生成模型）和行動（改變外部環境以符合預測），持續最小化「驚訝（Surprise）」——更精確地說，最小化感知資訊和內部模型預測之間的差異，即最小化自由能。
這個框架與 DEWMA 有精確的結構對應：
| 生物智慧（Friston FEP） | DEWMA 組件 | |---|---| | 內部生成模型 | GWL（遊戲化世界模型層） | | 感知輸入 | EAL 的三種資訊收集模式 | | 自由能最小化 | CL 的訓練目標（EAL 和 GWL 表示的一致性最大化） | | 主動推理（行動改變世界以符合預測） | EAL 的交互模式 | | 精確度加權（Precision Weighting） | MoE 的路由機制 | | 階層式皮質架構 | LAML / GWL / EAL 的三層結構 | | 神經調節（控制更新速率） | LAML 對 GWL 的週期性規則更新 |
DEWMA 可以被理解為 FEP 的工程化實現，但在兩個重要方面做了延伸：
多代理延伸：FEP 主要描述單一有機體的認知。DGAF 機制將這個框架延伸到多代理生態，引入了跨代理的知識整合和競爭選擇壓力，使架構能夠探索單一代理無法覆蓋的因果空間。
黑盒誠實：FEP 描述生物的「自由能最小化」機制，但沒有說明這個機制在工程上如何實現。DEWMA 的 CL 設計直接回應了這個工程問題，並明確承認：跨層映射的具體機制是訓練湧現的，不是設計者能夠顯式規定的。
7.2 生物學習的三種時間尺度
生物智慧在至少三個時間尺度上同時學習，DEWMA 的三層架構在工程上對應這三個尺度：
演化時間尺度（LAML 的先驗）：LAML 中已有的語言模型先驗，來自對人類語言資料的大規模預訓練，相當於壓縮了人類文明的集體知識積累——這是架構的先天歸納偏置，對應演化過程塑造出的生物先天認知傾向。
發育時間尺度（GWL 的規則更新）：GWL 規則系統的週期性更新，相當於個體神經網路在發育期的大規模重組。這種更新不是每一步都發生的，而是積累到足夠的新因果證據後才觸發——類似於關鍵期（Critical Period）的概念，重大重組在特定條件下發生。
學習時間尺度（EAL + CL 的即時更新）：EAL 的感知-行動迴路和 CL 的連續更新，是架構最快的適應通道，對應突觸級別的即時學習。每一次 EAL 和真實世界的交互，都是一個微小的更新信號。
三個時間尺度的嵌套，使架構能夠同時保持全局知識的穩定性（LAML 慢速更新）和局部適應的靈活性（EAL 快速更新），這是單一時間尺度的學習系統無法達到的。
8. 與現有方案的比較分析
8.1 比較框架
評估現有世界模型方案，本文使用四個維度：是否具有外部因果迴路（EAL）、是否具有可控內部世界模型（GWL）、跨層連接層的設計方式、以及多代理生態的支持程度。
| 方案 | 外部因果迴路 | 可控內部模型 | 跨層設計 | 多代理生態 | |---|---|---|---|---| | World Labs / Marble | ✗ | △（視覺生成，非因果規則） | ✗ | ✗ | | LeCun JEPA | △（理論框架，待實現） | △（單一架構） | 未明確 | 未明確 | | DeepMind Genie 3 | ✗ | △（互動生成，非規則顯式） | ✗ | 有限 | | NVIDIA Cosmos | △（Predict/Transfer） | △（視覺-物理模型） | △（sim-to-real 方向） | ✗ | | DEWMA | ✓ | ✓（規則顯式，可控） | ✓（黑盒，三體聯合訓練） | ✓（DGAF） |
8.2 World Labs / Marble
最核心的缺陷是：它是 sim-only（純模擬）架構，沒有 EAL 層，沒有真實世界的因果反饋迴路。其「世界」只能向使用者的語言/視覺輸入靠攏，不能向真實物理世界靠攏。這使它在因果保真度上有根本性上限。
8.3 LeCun JEPA
JEPA 的理論框架在幾個核心主張上與 DEWMA 一致：預測學習優於重建學習、世界模型應在抽象表示空間工作、具身化是世界理解的必要組件。差異在於：JEPA 目前主要是單一代理的架構框架，對多代理生態和跨層連接問題的工程化處理尚不充分。DEWMA 的 DGAF 和 CL 設計可以視為 JEPA 願景在這兩個方面的補充。
8.4 DeepMind Genie 系列
Genie 3 的互動式世界生成最接近 DEWMA 的 GWL 組件功能，但本質上仍是視覺生成模型，物理規則並非顯式可控——它生成「看起來物理正確」的視覺輸出，不保證其底層因果結構正確。此外，Genie 系列缺乏 DEWMA 的 EAL 層（真實世界因果採樣）和 DGAF 框架。
8.5 NVIDIA Cosmos
Cosmos 的 Transfer 模型（橋接模擬和真實環境）在功能上最接近 DEWMA 的 CL 概念。但 Cosmos 的方向是 sim-to-real（讓真實代理適應模擬訓練的分布），而 DEWMA 的 CL 驅動的是 real-to-sim（讓 GWL 向真實世界校準）。方向的反轉不是細節差異，而是架構哲學的根本不同：前者把模擬作為真理來源，後者把真實世界作為真理來源。
9. 基礎設施架構：CXL、連續計算與分層儲存
9.1 CXL 記憶體架構：消解層間資料移動
DEWMA 的三層巢狀架構在傳統計算基礎設施上面臨一個隱性瓶頸：EAL、GWL、LAML 三層之間的持續資料交換，在各節點獨立記憶體的架構下需要大量顯式的記憶體複製和搬移。這個開銷在低頻批次更新的情境下可以接受，但在 DEWMA 的連續串流設定下會成為嚴重的延遲來源。
CXL（Compute Express Link）3.0 以上版本的記憶體池化（Memory Pooling）能力，直接解決這個問題。CXL 允許多個計算節點共享同一個 CXL 連接的記憶體池，對共享池的讀寫在語義上等同於本地記憶體訪問，延遲遠低於網路通信，吞吐量遠高於 PCIe。
對 DEWMA 的具體映射是：
EAL 節點（邊緣/機器人硬體）
│
│ CXL Fabric（共享記憶體池）
↓
GWL 計算節點 ←──→ LAML 計算節點
│ │
└───── CL ──────┘
（黑盒連接層，直接在共享記憶體上計算梯度）CXL Switch 允許 EAL 的即時感知資料在被採集的同時，就對 CL 和 GWL 可見，無需額外的記憶體複製步驟。CL 的梯度計算、GWL 的狀態更新、LAML 的知識整合，三者在同一個記憶體命名空間下操作，顯著降低三體聯合訓練的通信開銷。
CXL 的 Peer-to-Peer 特性還允許 EAL 節點之間直接通信——在 DGAF 多代理設置中，多個 EAL 代理的因果發現可以不通過中央節點，直接在代理間的共享記憶體窗口中廣播，加快跨代理知識同步。
9.2 連續計算與串流資料流
DEWMA 的資料流本質是串流的（Streaming），而非批次的（Batch）。EAL 持續從物理世界接收感知資料，GWL 持續生成模擬事件，LAML 持續更新知識庫——這些過程沒有自然的起止邊界。
這對計算架構有幾個直接含義：
CL 需要支援線上學習（Online Learning）：傳統深度學習訓練是批次的——收集一批資料，計算梯度，更新參數，重複。在串流設定下，資料到達時間不均勻，批次邊界模糊，訓練需要在資料流過的同時進行增量更新。CL 的設計需要支援帶遺忘衰減（Forgetting Factor）的滑動窗口梯度積累，而非固定批次的梯度積累。
雙路徑計算（Dual-Path Computation）：GWL 和 LAML 的更新需要區分即時路徑（Hot Path）和整合路徑（Cold Path）。即時路徑處理新到達的 EAL 資料，進行快速的局部增量更新，延遲要求在毫秒到秒級別；整合路徑在積累足夠資料後，進行深度的知識整合和模型架構更新，延遲可以接受在分鐘到小時級別。兩條路徑的計算資源分配和更新頻率互相獨立，防止即時路徑的高頻更新干擾整合路徑的深度計算。
背壓機制（Backpressure Mechanism）：當 CL 的處理速度跟不上 EAL 的資料生成速度時，資料積壓會快速耗盡熱層記憶體。背壓機制的作用是：當積壓達到閾值時，向 EAL 發出降速信號，同時觸發熱層到溫層的資料遷移，為新到達的資料釋放空間。背壓是分層儲存和連續計算之間的主要協調介面。
9.3 動態備份機制
連續長期訓練面臨若干穩定性風險：硬體故障、記憶體溢出、梯度爆炸、訓練發散。靜態固定間隔備份策略（每 N 分鐘一次）在系統狀態動態變化的情境下是次優的——訓練穩定期的高頻備份浪費資源；訓練不穩定期的低頻備份可能錯過最後的良好狀態點。
動態備份機制的核心是：監控系統整體狀態，在「狀態健康」的時刻觸發備份，而非在固定時間點觸發。
觸發備份的監控指標（動態組合，非固定門檻）：
| 指標 | 說明 | 備份觸發邏輯 | |---|---|---| | 損失波動性（Loss Variance） | 連續 N 步的損失標準差 | 低於閾值 → 訓練穩定期，觸發備份 | | 梯度範數（Gradient Norm） | 全模組梯度 L2 範數 | 範數異常升高 → 訓練可能發散，立即備份 | | 記憶體壓力（Memory Pressure） | 共享記憶體池使用率 | 超過 80% → 觸發備份並遷移資料 | | 資料積壓率（Backlog Rate） | EAL 輸入速率 / CL 處理速率 | 比率持續 > 1.0 → 觸發備份釋放緩衝 | | 知識整合完成度 | LAML 本輪整合的完成百分比 | 達到 100% → 整合完成是自然的備份觸發點 |
備份的操作是：對當前系統的全狀態快照（EAL 參數、GWL 規則狀態、CL 參數、LAML 參數、CXL 共享記憶體快照）進行跨子系統的一致性截取，確保備份點是一個在邏輯上自洽的系統狀態。截取完成後，資料按生命週期分類，分發到對應的儲存層。
「一致性截取」的實現方式是輕量的全局屏障（Lightweight Global Barrier）：備份觸發時，所有子系統完成當前的最小計算單位（通常是一個微批次），然後在屏障點同步，快照在所有子系統對齊後進行。
9.4 分層儲存：冷溫熱與資料生命週期
DEWMA 持續訓練產生的資料量龐大。統一存儲在高速介質上既不可行（成本過高）也不必要（大部分資料的訪問頻率很低）。分層儲存的設計邏輯是：按資料的訪問頻率和認識論地位（是否已被驗證和整合）分配儲存資源。
熱層（Hot Tier）
介質：HBM / CXL 連接 DRAM / 高速 NVMe。
內容：當前活躍的訓練狀態（各子系統的當前參數）、EAL 的即時感知緩衝（最近 N 秒的輸入）、GWL 的當前世界狀態、CL 的活躍梯度計算圖、LAML 的推理快取。
認識論地位：未驗證，正在處理。資料尚未通過交叉驗證，隨時可能被覆蓋或丟棄。
生命週期：分鐘到小時級。被整合或被判定為低優先級後降級至溫層。
溫層（Warm Tier）
介質：NVMe SSD 陣列 / 近線雲端 SSD 儲存。
內容：近期訓練 checkpoint（最近 K 個穩定狀態點）、已完成初步交叉驗證但尚未被 LAML 完全整合的因果知識、EAL 的近期軌跡資料（最近 M 天）、GWL 的規則歷史（可用於回滾）。
認識論地位：初步驗證，整合中。資料通過了交叉驗證，但尚未完全整合進全局知識庫。
生命週期：小時到天級。LAML 完全整合後降級至冷層；若訓練回滾需要，可快速升級至熱層。
冷層（Cold Tier）
介質：物件儲存（Object Storage，如 S3/Azure Blob）/ 低頻存取雲端儲存。
內容：已完整整合進 LAML 的因果知識（以原始資料形式保留，供審計）、歷史訓練 checkpoint（用於系統回滾和跨實驗比較）、已驗證的 GWL 規則快照。
認識論地位：已驗證，已整合。資料已被完全處理，保留目的是審計、回滾和跨版本比較。
生命週期：月到年級。定期評估是否仍有保留必要。
超冷層（Archival Tier，第四層）
介質：磁帶歸檔 / 深度冷儲存（如 AWS Glacier Deep Archive）。
內容：重要里程碑版本的完整系統快照（如 LAML 的重大知識更新版本）、已確認可完全重現且已被完全整合的原始實驗資料。
認識論地位：歷史紀錄。保留目的是科學記錄和理論可重現性，非運行時使用。
生命週期：永久，定期審計。
層間動態遷移
層間遷移不基於固定時間閾值，而基於：
訪問頻率熱力圖（Access Frequency Heatmap）——若某份溫層資料的訪問頻率持續上升（例如某個因果發現被多個代理反覆引用，或被 LAML 的推理頻繁訪問），自動升級到熱層；若某份熱層資料的訪問頻率持續下降，自動降級至溫層。
資料重要性評分（Data Importance Score）——基於置信度評分（第 5 節）、被引用次數、與全局知識庫的一致性。重要性評分低的資料加速降級；評分高的資料延緩降級，確保高價值知識保持快速可訪問。
9.5 連續訓練的穩定性問題
連續訓練有若干批次訓練所沒有的特有穩定性問題，需要在架構層面處理：
災難性遺忘（Catastrophic Forgetting）：神經網路在連續學習新資料時，往往會覆蓋之前學習到的知識。這對 LAML 是嚴重風險——持續的 EAL 資料更新可能逐漸覆蓋 LAML 的先驗知識庫。
三種緩解策略可以疊加使用：彈性權重固化（Elastic Weight Consolidation，EWC）——在更新時對重要參數施加額外正則化懲罰，保護「核心知識參數」不被輕易覆蓋；記憶回放（Memory Replay）——在每次更新時混入來自冷層的歷史資料，防止只看新資料導致的分布偏移；知識蒸餾（Knowledge Distillation）——定期把 LAML 的穩定知識蒸餾到一個固定的「核心知識基模型」，該基模型不參與連續更新，只在重大版本升級時更新。
分布漂移（Distribution Shift）：EAL 的資料分布隨環境變化而改變。當 EAL 進入新的物理環境，GWL 和 CL 可能突然面對分布外的輸入，訓練穩定性下降。動態備份機制的置信度監控在這裡扮演附帶的早期預警角色：若近期資料的統計特性與歷史資料的統計特性偏差超過閾值，觸發額外的備份並標記「分布漂移警告」，提示人工介入評估是否需要調整 GWL 的規則範圍。
跨子系統訓練一致性：EAL、GWL、CL、LAML 同時更新時，若更新節奏完全獨立，可能出現子系統間的狀態不一致——EAL 已學到新的因果關係，但 CL 仍在使用舊的映射，GWL 收到無法解讀的資料。輕量的一致性邊界（Consistency Boundary）機制——在每次備份時要求所有子系統完成當前批次再進行快照——確保儲存的系統狀態是跨子系統邏輯一致的。這個邊界不需要嚴格的分散式事務（代價過高），只需要在備份這個低頻事件上同步。
哲學結語
世界是一面鏡子，也是鏡子裡的像，也是產生鏡子和像的那個結構性必然。
當我們說「建立一個世界模型」，我們的錯誤不是野心太大，而是邊界畫錯了。我們把「世界」放在外面，把「模型」放在裡面，然後試圖讓裡面的東西越來越像外面的東西。但如果裡面和外面是同一種東西在不同尺度上的表現，這個框架從一開始就是多餘的圍牆。
真正的問題從來不是「如何建立世界模型」，而是「如何讓一個降維的子系統，保持與更高維母系統的因果一致性，並在這個一致性的約束下持續生長」。
DEWMA 試圖回答的是這個問題的工程版本。三體糾纏是架構，黑盒誠實是態度，多代理生態是湧現的土壤，real-to-sim 反向校準是現實對模型的持續糾正力。
設計連接層的正確姿態不是「我知道什麼是對的，我來設計它」，而是「我不知道什麼是對的，我來設計讓正確的東西長出來的條件」。這個姿態上的差異，是分清楚設計者的邊界和系統本身的邊界——前者負責搭架子，後者負責長出來。
有些結構，你設計不出來。你只能設計讓它長出來的土壤。
EML-EWM-2026-v0.1 © EveMissLab
附錄A：DEWMA 架構關鍵術語表
| 縮寫 | 全稱 | 說明 | |---|---|---| | DEWMA | Distributed Entangled World Model Architecture | 分散式糾纏世界模型架構 | | EAL | Embodied AI Layer | 具身化 AI 層 | | GWL | Gamified World Model Layer | 遊戲化世界模型層 | | LAML | Large AI Management Layer | 大 AI 管理層 | | CL | Connection Layer | 連接層（黑盒） | | DGAF | Distributed Growth Adversarial Framework | 分散式生長式對抗框架 | | MGA | Multi-Growth Adversarial | 多重生長式對抗 | | DGA | Distributed Growth Adversarial | 分散式生長式對抗（EAL-LAML 分層） | | MoE | Mixture of Experts | 混合專家模型 | | FEP | Free Energy Principle | 自由能原理（Friston） | | real-to-sim | Real-to-Simulation Calibration | 真實世界校準模擬環境（反向遷移） | | sim-to-real | Simulation-to-Real Transfer | 模擬環境訓練結果遷移至真實世界（傳統方向） | | CXL | Compute Express Link | 高速低延遲互連技術，支援多節點共享記憶體池 | | EWC | Elastic Weight Consolidation | 彈性權重固化，緩解連續訓練的災難性遺忘 | | DIS | Data Importance Score | 資料重要性評分，驅動分層儲存的動態遷移 | | Hot Tier | Hot Storage Tier | 熱層：CXL/HBM，活躍訓練狀態，分鐘到小時級 | | Warm Tier | Warm Storage Tier | 溫層：NVMe SSD，初步驗證資料，小時到天級 | | Cold Tier | Cold Storage Tier | 冷層：物件儲存，已整合歷史資料，月到年級 |
參考文獻
對抗訓練與生成模型
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems (NeurIPS), 27.
Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein GAN. International Conference on Machine Learning (ICML).
注意力機制與 Transformer 架構
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS), 30.
因果推理層次
Pearl, J. (2009). Causality: Models, Reasoning and Inference (2nd ed.). Cambridge University Press.
Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
世界模型與 JEPA 架構
LeCun, Y. (2022). A path towards autonomous machine intelligence. Version 0.9.2, 2022-06-27. OpenReview. https://openreview.net/pdf?id=BZ5a1r-kVsf
Ha, D., & Schmidhuber, J. (2018). World models. arXiv preprint arXiv:1803.10122.
具身化學習與 Sim-to-Real
Peng, X. B., Andrychowicz, M., Zaremba, W., & Abbeel, P. (2018). Sim-to-real transfer of robotic control with dynamics randomization. IEEE International Conference on Robotics and Automation (ICRA).
Zhao, W., Queralta, J. P., & Westerlund, T. (2020). Sim-to-real transfer in deep reinforcement learning for robotics: A survey. IEEE Symposium Series on Computational Intelligence (SSCI).
自由能原則與主動推論
Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11, 127–138.
Friston, K., Da Costa, L., Hafner, D., Hesp, C., & Parr, T. (2021). Sophisticated inference. Neural Computation, 33(3), 713–763.
混合專家模型
Jacobs, R. A., Jordan, M. I., Nowlan, S. J., & Hinton, G. E. (1991). Adaptive mixtures of local experts. Neural Computation, 3(1), 79–87.
Jordan, M. I., & Jacobs, R. A. (1994). Hierarchical mixtures of experts and the EM algorithm. Neural Computation, 6(2), 181–214.
Shazeer, N., Mirhoseini, A., Maziarz, K., Davis, A., Le, Q., Hinton, G., & Dean, J. (2017). Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. International Conference on Learning Representations (ICLR).
Fedus, W., Zoph, B., & Shazeer, N. (2022). Switch transformers: Scaling to trillion parameter models with simple and efficient sparsity. Journal of Machine Learning Research (JMLR), 23(120), 1–39.
連續學習與災難性遺忘
Kirkpatrick, J., Pascanu, R., Rabinowitz, N., Veness, J., Desjardins, G., Rusu, A. A., Milan, K., Quan, J., Ramalho, T., Grabska-Barwinska, A., Hassabis, D., Clopath, C., Kumaran, D., & Hadsell, R. (2017). Overcoming catastrophic forgetting in neural networks. Proceedings of the National Academy of Sciences (PNAS), 114(13), 3521–3526.
McCloskey, M., & Cohen, N. J. (1989). Catastrophic interference in connectionist networks: The sequential learning problem. Psychology of Learning and Motivation, 24, 109–165.
知識蒸餾
Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the knowledge in a neural network. NIPS Deep Learning and Representation Learning Workshop.
CXL 基礎設施
CXL Consortium. (2022). Compute Express Link Specification Revision 3.0. CXL Consortium.
備注：World Labs / Marble（Section 2.1）和 NVIDIA Cosmos（Section 8.5）的技術細節依據公開技術報告和官方文件，因截至本文寫作時無正式同行評審論文，故未列入正式引用。DeepMind Genie 系列相關技術細節同。
附錄B：實作難度聲明與開源意圖
B.1 當前技術條件下的實作難度
DEWMA 是一個架構框架，而非已實作的系統。在當前技術條件下，完整實作 DEWMA 面臨以下主要挑戰：
三體聯合訓練的工程複雜度：EAL、GWL、CL 三者從訓練起點即糾纏，意味著需要設計能夠同時優化三個子系統且梯度流在三者之間正確傳播的訓練基礎設施。現有的深度學習框架（PyTorch、JAX）對單向計算圖有良好支持，對此類三體循環依存架構缺乏開箱即用的支持。
Real-to-sim 反向校準的穩定性：讓 GWL 規則系統持續向真實世界靠攏，同時保持 GWL 的內部一致性，需要精心設計的穩定性約束。不正確的校準策略可能導致 GWL 規則系統振盪或發散。
多代理 DGAF 的資源規模：DGAF 要求多個 EAL 代理同時運行，每個代理都需要物理環境（真實或高保真模擬），這對計算和物理基礎設施的資源需求遠超一般研究預算。
連接層的黑盒驗證困難：CL 被設計為黑盒，其功能通過訓練湧現。評估 CL 是否真的在保留因果結構（而非只是在統計上縮小兩側的表示差異），需要專門開發的因果一致性評估方法，目前尚無標準工具。
異質資料流的 MoE 路由設計：在 LAML 中整合視覺、觸覺、本體感覺、語言等異質資料流，並設計能夠正確路由的 MoE 閘控網路，需要大量的消融實驗和工程調試。
建議：各組件可作為獨立研究方向分步驗證。例如，先獨立驗證 real-to-sim 反向校準機制的有效性，再驗證 CL 的因果結構保留能力，最後嘗試三體聯合訓練。不建議在資源有限的條件下直接嘗試完整的 DEWMA 實作。
B.2 開源意圖聲明
EveMissLab 為一人研究組織，目前不具備獨立實作 DEWMA 完整系統所需的計算資源、工程人力及物理基礎設施。
本框架的提出目的是：為研究社群提供一個具有哲學融貫性和架構一致性的設計方向，供有資源的機構在此基礎上進行實驗驗證和工程實作。
EveMissLab 計畫以開放學術授權形式發布 DEWMA 及相關 EML 系列論文。學術研究、非商業開發及引用使用免費開放，商業授權另行協議。DEWMA 與 MMC-NA（EML-MMC-NA-2026-v0.1）作為配套框架，計畫同步發布。
EML-EWM-2026-v0.1 參考文獻與附錄B © EveMissLab