经典规划复辟

来自 AI 研究立场图谱百科

经典规划复辟:可靠的长程行为需要显式的符号规划;学习出来的模型应当把问题翻译给形式化规划器,而不是取代它。

主张

经典规划复辟,是一场要把 STRIPS 算子、PDDL 领域描述和启发式搜索这套规划传统请回 agent 设计中心的运动。成员们看着语言模型写出一份份看似合理、实则违反前置条件、忘了目标或者原地打转的计划,得出结论:缺的不是更大的规模,而是一个求解器。他们偏爱的架构是让学习模型做自己擅长的事(理解杂乱的目标、感知状态、起草领域描述),而把真正的动作排序交给一个可靠且完备、能证明计划确实达成目标的规划器。

它在图上略偏世界一侧,因为规划关心的是环境中的状态、动作和效果,尤其在机器人领域;又处在 harness 轴的最底端,因为它明确是”模型 + 规划器”的混合系统。它的颜色是革命:复兴经典规划,就是与当下只靠规模的路线决裂。它就是复辟,而且引以为傲。

论据

  • LLM+P 等工作把自然语言问题翻译成 PDDL 再调用现成规划器,在纯语言模型失败的问题上给出了正确的计划。
  • 符号计划可以验证:执行前就能检查前置条件和效果,这对机器人和安全攸关场景很重要。
  • 几十年的启发式搜索研究让规划器在组合问题上拥有学习方法目前还比不上的保证和效率。

批评

  • 编写和维护准确的领域模型非常费力,开放世界也很少能塞进一套干净的谓词词表。
  • 难点常常只是转移到了翻译这一步,语言模型在那里依然会引入细微错误。
  • 反应式和端到端派认为,世界变化的速度比规划器重规划的速度快,显式计划很快就过时了。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ −0.01,y ≈ −1.00,范式 ≈ +0.60。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据