从观测到洞见：机制性世界模型与自主科学发现的探索

科学发现 ≠ 预测能力

当前基础模型（foundation models）在蛋白质折叠、天气预报等领域展现出惊人预测精度，但预测本身不等同于科学发现。真正的科学理解依赖于识别可复用的、生成观测现象的解释性机制（explanatory mechanisms），而主流机器学习仍以预测映射（predictive mappings）为组织原则，缺乏对解释性结构的建模。

Mechanistic World Models：以机制为中心的新范式

本文提出 Mechanistic World Models（机制性世界模型）——一种将可复用机制作为核心表征单元的设计范式。该范式要求模型不仅拟合输入-输出关系，更需显式建模因果过程、模块化组件及其交互逻辑。

• 基于科学哲学（philosophy of science）推导出实现自主发现所需的计算能力：包括机制识别、反事实推理、模块组合泛化与跨尺度抽象能力；
• 明确鼓励解释性知识涌现的设计原则与归纳偏置（inductive pressures），如结构稀疏性、功能解耦性、干预鲁棒性；
• 形式化定义机制性世界模型的解剖结构（anatomy）：包含机制库（mechanism library）、机制调度器（scheduler）、机制执行器（executor）与机制验证器（verifier）四层架构。

与前沿方向的协同整合

论文指出，Mechanistic World Models 并非孤立框架，而是统合多项关键研究方向的枢纽：

• 机制可解释性（mechanistic interpretability）提供对内部机制的可观测性；
• 因果表征学习（causal representation learning）支撑机制的因果语义提取；
• 物理信息建模（physics-informed modeling）与符号回归（symbolic regression）为机制形式化提供先验约束；
• 自监督发现（self-supervised discovery）和程序合成（program synthesis）构成机制自动提取与组合的算法基础。