预测

•机器人：世界模型可以减少真实试错成本，帮助机器人预测抓取、移动、碰撞和失败后的恢复策略。

未来真正有价值的系统，往往需要把语言理解、空间理解、物理预测和动作执行统一起来。

物理AI像工科生，要把语言理解和物理预测结合起来，真正完成任务。

3.3潜空间预测与JEPA：不必逐像素生成未来

潜空间预测更接近人类的日常物理直觉。

但用了预测编码后，无监督学习就可以预测未来的、上下文的特征以至预测问题，然后用得到的反馈再用于学习。

Friston）提出了自由能原理（freeenergyprinciple），认为大脑通过最小化预测误差（即预测与实际感官输入的差异）来优化对世界的表征。

PP认为，大脑是一台预测机器，它不断生成内部信号来预测外界，通过反馈将预测误差最小化（predictionerrorminimization），实现人类成功的感知、行动、学习。

[[x]]弗里斯顿提出了自由能原理（FreeEnergyPrinciple,FEP），认为所有的自组织（包括人和机器）都要减少预测误差（或者说，减少熵增）来维持内稳态。

[[xi]]我们的呼吸、进食，以及免疫细胞每一次对抗病原体，都是在减少体内的预测误差，才能维持生命体的生存。

其次，实现预测误差最小化；

发现误差后，大脑便有两种做法，要么改变预测信号以符合输入信号，要么改变行动让输入信号符合预测信号，以此来消除预测误差。

同时接收感官输入信号，不断与预测信号进行比对，若不一致，就产生了预测误差。

就如安迪·克拉克（AndyClark）说的：“生成模型提出感觉预测来模拟和参与世界……预测误差最小化是感知和行动的基础。

预测误差最小化；

[[xxv]]杜安（Duan）等人认为AI必须实现从DAI（静态数据学习）向EAI（与环境交互学习）的范式转变，利用预测误差作为内在奖励以激发EAI的好奇心。

在PP理论看来，人类和AI都是用预测误差最小化来认识对象，人机共享相同的预测机制。

如果怎么也摸不到小人，但眼睛却始终能看到小人，大脑就无法消除预测误差，也就是自由能最小化（或预测误差最小化）失败。

相较于人类能用行动调整预测误差，AI却不能做到这一点，因为它缺乏真实的具身交互。

预测误差是PP的关键指标，是预测结果与先验信念的差距，减少预测误差就是减少自由能，是个体行动的目标。

预测误差最小化是AI认识论中的关键问题。

从PP的分层预测编码的机制就能推测出，幻觉是由于大脑的先验预测太强，外部输入信号被忽略，预测误差并没有最小化（反而可能是最大化），直接将先验预测当作最后的真相输出而产生的。

幻觉可以看作内部先验预测和外部输入不符，而预测误差也没有被检测出来，错误的先验预测直接被接收的结果。

但SMPA也有优点，借助PP的自上而下的分层编码预测和自下而上的预测误差最小化，将一个大的规划目标问题分解成各个小的层级子问题。

通过整合多种特征表示并改进注意力机制，该方法在预测药物与蛋白质靶点相互作用方面表现卓越，为新药发现与筛选提供了高效的计算工具。

为了克服上述挑战，研究团队开发了基于多模态特征增强的DTIBFAI预测模型。

然而，现有的感知模型在处理生物序列时，往往难以捕捉到药物与蛋白质之间极其微细的相互作用特征。

这种低成本、高效率的计算预测手段，有望加速新型疗法的开发进程，降低临床前研究的门槛。