Algebraic World Model（AWM）的目標，是把「摸索一款陌生遊戲點樣運作」和「嚴謹推理遊戲入面可能發生甚麼」連起來。它不會只靠 AI 用文字講解遊戲規則，而是透過互動觀察建立可執行的 Python 假設，再按觀察結果測試、修訂，最後把整理好的規則形式化到 Lean 4。119

不過，關鍵限制亦要一併看：機器檢查通過的證明，可以證明某個結論適用於形式模型；但單靠這份證明，不能確定模型已涵蓋真實遊戲的所有行為。

從探索到形式模型

AWM 的流程大致分為三個互相銜接的階段：

1. 探索並提出規則假設。 系統與陌生環境互動，寫出描述環境運作方式的 Python 假設，再用觀察到的結果測試；如果假設對不上，就作出修訂。119
2. 整理模型結構。 系統把假設整理成具型別的物件和共用規則。論文亦提到，研究團隊運用受範疇論引導的轉換，簡化這些結構。19
3. 形式化並推理。 AWM 將整理後的模型轉成 Lean 4 格式，再形式化推理哪些狀態可以到達，以及哪些情況不可能發生。19

這個流程之所以重要，是因為形式推理需要精確定義。要用證明回答遊戲會發生甚麼，首先要把相關狀態、行動、規則和目標，以證明系統可以處理的方式清楚表達出來。

論文報告的比較結果

論文指出，AWM 最初正確推得四個界限；Claude Opus 5.5 正確推得一個，GPT-6 Astra 則沒有推得任何一個。收到「有更省步數的勝法」這項回饋後，AWM 修訂規則，最後六個界限全部推得正確。1

這個結果反映兩件不同的事：一是建立能描述環境的模型，二是在該模型之內證明某個結論。模型經修訂後，能支持的結論亦可能改變；即使證明本身成立，也不代表模型假設必定完全符合遊戲實況。1

不可能性證明可以證明甚麼？

假設 AWM 證明，在指定的行動步數上限內，沒有任何勝利路徑。Lean 可以檢查這個結論是否由形式模型內編碼的定義和規則推導出來。1929 但要把結論延伸到真實遊戲，模型亦必須準確表達相關行動、狀態轉移、勝利條件，以及步數如何計算。

如果模型漏掉某個機制，或錯誤描述一次狀態轉移，形式證明仍可能有效；只是它的結論未必適用於實際遊戲。較準確的說法是：在模型列明的假設之下，找不到勝利方法。 若要聲稱遊戲本身真的無法在步數上限內取勝，還需要額外證據，證明模型與遊戲實際運作相符。

AWM 值得留意之處

AWM 嘗試把經驗觀察和機器可檢查的推理結合：觀察協助建立模型，而形式化則有助推導超出已直接觀察過的遊戲路徑的結論。19 它亦將模型本身納入推理流程，讓模型可以接受測試和修訂，而不是當成毋須質疑的事實。1

這個分別不只適用於遊戲。每當 AI 對陌生環境作形式推理，都值得同時追問兩件事：證明有沒有通過檢查？形式模型又是否足以代表結論所指的真實世界？

Algebraic World Model（AWM）的目標，是把「摸索一款陌生遊戲點樣運作」和「嚴謹推理遊戲入面可能發生甚麼」連起來。它不會只靠 AI 用文字講解遊戲規則，而是透過互動觀察建立可執行的 Python 假設，再按觀察結果測試、修訂，最後把整理好的規則形式化到 Lean 4。119

不過，關鍵限制亦要一併看：機器檢查通過的證明，可以證明某個結論適用於形式模型；但單靠這份證明，不能確定模型已涵蓋真實遊戲的所有行為。

從探索到形式模型

AWM 的流程大致分為三個互相銜接的階段：

1. 探索並提出規則假設。 系統與陌生環境互動，寫出描述環境運作方式的 Python 假設，再用觀察到的結果測試；如果假設對不上，就作出修訂。119
2. 整理模型結構。 系統把假設整理成具型別的物件和共用規則。論文亦提到，研究團隊運用受範疇論引導的轉換，簡化這些結構。19
3. 形式化並推理。 AWM 將整理後的模型轉成 Lean 4 格式，再形式化推理哪些狀態可以到達，以及哪些情況不可能發生。19

這個流程之所以重要，是因為形式推理需要精確定義。要用證明回答遊戲會發生甚麼，首先要把相關狀態、行動、規則和目標，以證明系統可以處理的方式清楚表達出來。

論文報告的比較結果

論文指出，AWM 最初正確推得四個界限；Claude Opus 5.5 正確推得一個，GPT-6 Astra 則沒有推得任何一個。收到「有更省步數的勝法」這項回饋後，AWM 修訂規則，最後六個界限全部推得正確。1

這個結果反映兩件不同的事：一是建立能描述環境的模型，二是在該模型之內證明某個結論。模型經修訂後，能支持的結論亦可能改變；即使證明本身成立，也不代表模型假設必定完全符合遊戲實況。1

不可能性證明可以證明甚麼？

假設 AWM 證明，在指定的行動步數上限內，沒有任何勝利路徑。Lean 可以檢查這個結論是否由形式模型內編碼的定義和規則推導出來。1929 但要把結論延伸到真實遊戲，模型亦必須準確表達相關行動、狀態轉移、勝利條件，以及步數如何計算。

如果模型漏掉某個機制，或錯誤描述一次狀態轉移，形式證明仍可能有效；只是它的結論未必適用於實際遊戲。較準確的說法是：在模型列明的假設之下，找不到勝利方法。 若要聲稱遊戲本身真的無法在步數上限內取勝，還需要額外證據，證明模型與遊戲實際運作相符。

AWM 值得留意之處

AWM 嘗試把經驗觀察和機器可檢查的推理結合：觀察協助建立模型，而形式化則有助推導超出已直接觀察過的遊戲路徑的結論。19 它亦將模型本身納入推理流程，讓模型可以接受測試和修訂，而不是當成毋須質疑的事實。1

這個分別不只適用於遊戲。每當 AI 對陌生環境作形式推理，都值得同時追問兩件事：證明有沒有通過檢查？形式模型又是否足以代表結論所指的真實世界？