币界网消息，ME News 消息，4 月 8 日，近日，Yann LeCun团队提出了一种基于多时间尺度潜在世界模型的分层规划方法，旨在解决学习型世界模型在长时域控制中面临的预测误差累积和搜索空间指数级增长两大挑战。该方法通过在不同时间尺度上学习潜在世界模型，并执行跨尺度的分层规划，实现了长时域推理，同时显著降低了推理时的规划复杂度。该框架可作为插件式抽象模块，适用于多种潜在世界模型架构和领域。实验表明，在真实世界非贪婪机器人任务中，仅给定最终目标，分层规划实现了70%的成功率，而单层世界模型的成功率为0%。在基于物理的模拟环境中，分层规划在取得更高成功率的同时，所需的规划时间计算量减少了多达3倍。该方法不依赖任务特定奖励或外部提供的子目标，展现了在未见环境和任务上的强大泛化能力。