算力救不了AI智商？谷歌新大招终结「随机鹦鹉」争论！

AI智能体最大的「硬伤」，是算力不够？

并不是，奖励太少、路太长才是。

在稀疏奖励的长序列任务里，传统token-by-token探索像蒙眼走迷宫：没有路标、没有提示，只有走到终点才知道对不对。

结果就是一个尴尬现实：想让智能体做点复杂事，往往必须外挂规划器「扶着走」。

而谷歌这项研究直接换打法：在迷宫里要求智能体按顺序踏过一串彩色子目标，且只有全程无误才给奖励——用最残酷的稀疏奖励，逼出真正的层次化决策能力。

真正的突破在于：他们不再只优化输出，而是开始操控模型内部的「认知过程」。

在稀疏奖励下，

智能体如何高效探索

传统的大模型，依赖逐词生成（token-by-token）的探索方式，而这对于需要多个正确步骤才能获得奖励的复杂任务，由于奖励稀疏，导致智能体难以完成需要层次化决策的长序列任务。

这好比让一个人蒙着眼睛走迷宫，只有到达终点才能获得反馈，期间没有任何指引，不论这个人尝试多少次也找不到出口。

这导致当下的大模型智能体需要外带一个规划器，才能完成复杂的，需要多步才能完成的任务。而谷歌这项研究做的，就是让智能体在迷宫中，按特定顺序访问一系列彩色位置（子目标），且只有在完全正确的序列完成后才能获得奖励。

图1：智能体需要在迷宫中按顺序走过不同颜色的方块

这种「组合式任务」要求智能体必须掌握层次化解决问题的能力，不止需要低级的运动控制技能，又需要高级的时序规划能力。

这就如同人类搬运水杯的任务，相当于执行「拿起水杯→走到桌前→放下水杯」这样的连贯动作。

「大脑中的大脑」

AI自我发现抽象动作

那谷歌团队是如何解决稀疏奖励带来的问题的？

答案是元控制器（Metacontroller）。

元控制器通过接收基模型的残差流，能够生成一系列简单的内部控制器。

每个控制器对应一个时序抽象动作，每个时序抽象动作对应一个时间轴，并附带终止条件。通过按时间组合多个控制器，智能体能够在新任务上实现高效探索。

图2：元控制器引导预训练自回归模型的残差流激活。

通过自监督的下一步动作预测，元控制器发现如何生成时间上稀疏变化的简单内部控制器序列 。

在分层结构任务中，每个内部控制器对应一个时序抽象动作，引导基础自回归模型实现一个有意义的初级目标。

图3：元控制器的架构

经由强化学习，研究者发现元控制器能够通过变分推理自动识别有意义的行为模块，这相当于无监督发现抽象动作该怎么完成。

用上元控制器，训练机器人给人泡茶，就不必由手工编码将任务拆解成多步了。

此外，元控制器还能动态时间整合，它能通过开关单元控制抽象每一步动作的持续时间。并且能组合泛化，将学到的抽象动作重新组合解决新任务。

图4：自监督元控制器在预训练的自回归模型中发现时序抽象动作。

元控制器学习到的开关模式还能与真实子目标切换完美对齐，尽管模型从未接收过子目标标签。这种根据环境，切换使用那个子目标的方式是涌现产生的，表明模型内部形成了类似「选项」的分层结构。

内部强化学习

提效数个量级的新训练范式

该研究最令人惊讶的，是使用元控制器后的内部强化学习，与传统强化学习在原始动作空间进行微调不同，内部强化学习在发现的抽象动作空间中进行学习，搜索空间大幅减小。在需要组合泛化的任务中，内部强化学习的成功率显著高于所有基线方法，包括先前最先进的分层强化学习方法CompILE。

图5：不同强化学习方式的成功率

之所以智能体能够以更大的可能性，学会某一个需要多步骤才能完成的任务，是因为有了元控制器，模型隐含地学会了将长序列任务分解为可重用的子程序（如「移动到某色块」），这就让搜索空间变小，奖励也不再稀疏。

相当于通过对动作空间降维，将高维残差流空间压缩到低维抽象空间。再加上在抽象时间尺度上操作，缩短有效时间跨度。使得在抽象层面进行奖励分配更加高效。

「觉醒-睡眠」训练循环的具体实现

在2015年的论文[2]中，Jürgen Schmidhuber提出了「觉醒-睡眠」训练循环的理论框架。

其核心思想是构建一个迭代的、自我改进的循环，两个阶段交替执行，旨在构建能够形成并利用时间抽象和计划能力的自主智能系统。

睡眠阶段智能体回顾其过往的经历（观察和行动序列），通过自监督学习训练一个内部世界模型。

「觉醒」阶段智能体利用在「睡眠」阶段学到的世界模型内部表征，进行强化学习和规划，以发现新的、有价值的行为。在「觉醒」阶段获得的新经验数据，又会被加入到经验库中，用于下一轮的「睡眠」阶段，以改进世界模型。

而谷歌的这项研究，可看成是「觉醒-睡眠」训练循环的具体实现，自回归基础模型预训练对应睡眠阶段。模型通过下一个token（此处是下一动作或观察）预测的目标，在大量未标注的行为数据上进行训练。

这个过程正是自监督学习，模型学会了推断智能体的潜在目标（如子目标），并在其残差流激活中形成了时间抽象的表征。

觉醒阶段则是元控制器及其驱动的内部强化学习。它学习如何操控基础模型（世界模型）的内部残差流激活，从而生成有意义的、持续多个时间步的抽象动作（如「前往蓝色位置」）。

这相当于在世界模型的内部状态空间中进行规划和控制。

图6：在发现时序抽象动作时，预训练的自回归模型被冻结的重要性。

而只有如图6所示，当基础自回归模型在元控制器训练期间被冻结时，才会涌现出与子目标对齐的正确切换表征。

这一发现强烈支持了「觉醒-睡眠」循环的分阶段迭代思想：首先通过预训练建立一个高质量、稳定的世界模型（基础模型）。

然后，在此基础上，再通过元控制器学习驱动内部强化学习，从而学到控制策略。

如果两者同时训练（共训练），模型会收敛到一个退化的解决方案，无法发现有意义的时间抽象。

这印证了分阶段、迭代式训练的理论优越性。而这符合Jürgen Schmidhuber提出的「先睡眠（构建模型）、后觉醒（学习控制）」的循环训练方案。

终结随机鹦鹉争论

在大模型研究中，一直有批评人士认为自回归模型无论参数量多大，都不过是「随机鹦鹉」，难以形成一致的时间抽象和规划。

而该研究表明，预测下一个词的训练方式，只要结合元控制器，就能够诱导出层次化的时间抽象，这与人类的问题解决方式高度相似。

在不依赖手动奖励塑形的情况下解决需要多步才能完成的任务，是迈向能够导航复杂、开放式搜索空间的自主智能体的关键一步，在这些空间中，中间进度的定义往往未知。

谷歌团队的这项研究标志着AI研究从单纯优化模型输出，转向理解和操控模型内部认知过程，为开发具有真正层次化推理能力的通用AI系统提供了坚实的实践基础，说明了模仿人类睡眠，才能够实现复杂时间序列任务的高效学习。

与稀疏自编码器（SAEs）等解释性方法相比，元控制器具有显著优势。它直接通过残差流干预降低预测误差，具有内部记忆，支持长时间跨度的干预，且能够发现可解释的、长时间持续的干预策略。

这项技术的潜在应用极其广泛。

在机器人控制中，可让机器人执行需要多步协调的复杂任务；对于数学推理，能自主将复杂问题分解为可管理的推理步骤；对于科学发现，也可让智能体在稀疏奖励环境中进行高效探索和假设检验。

谷歌提出的内部强化学习范式，尤其适合需要长期规划和组合推理的场景，为实现真正通用的智能系统提供了新路径。

参考资料：

https://arxiv.org/abs/2512.20605

文章来自于微信公众号 "新智元"，作者 "新智元"