揭开具身智能黑盒！清华等团队破译隐藏动力学密码：极限环编码行为

背景：具身认知理论挑战了传统AI的“离身智能”范式，强调认知是身体、环境与行动耦合涌现的动态过程，但其长期缺乏可计算的数学表征，导致智能体行为存在不可解释性，尤其在安全关键领域存在隐患。研究目的：由Sapient Intelligence和清华大学团队进行的研究，旨在通过系统实验揭示元强化学习训练出的具身智能体内部神经动力学的隐藏结构，为其提供可解释的理论框架。结论：研究发现，智能体的循环神经策略稳定收敛于动力学中的“极限环”结构，该极限环的几何形状与智能体在物理空间中的行为关系存在拓扑保真性的同构映射，即神经状态编码了行为相似度关系。这一发现为理解智能体的记忆形成和行为适应提供了统一的几何解释框架，并暗示了人工智能与生物智能可能在动力学层面共享原理。