研究人员打造“图表征状态空间”RNN，显著提升模型时空学习性能

文章预览

英国爱丁堡大学博士毕业生、沙特阿卜杜拉国王科技大学博士后研究员李南伯一直在研究世界模型，这种模型能够根据事物的状态和背后规律预测未来， 这一显著特征让李南伯深深着迷。 图 | 李南伯（来源：李南伯） 李南伯将预测理解为在时序上根据“背后规律”延展事物的“空间状态”。从这个角度来看，时空建模确实是世界模型面临的核心技术挑战之一。尤其在复杂“状态”描述（如通用高维向量表示）的场景下，研究其“时空规律”尤为复杂。这与传统学科研究非常相似，只不过各学科关注的是它们独有的“世界”。 在 AI 或机器学习领域，人们更关注如何让模型高效学习这些“时空规律”，而非规律本身。这本质上是一个计算问题。然而，现有的通用架构如 Transformers 和 循环神经网络（RNN，Recurrent Neural Network） 在计算上都有局限性。 Tra ………………………………