[LG]《What Is Worth Representing? Representational Empowerment for Continual Model Construction》F Dai, H Zhou, A Gopnik, C Wu [UC Berkeley & University of Tübingen] (2026)

在智能体构建世界模型领域，如何决定“表征什么”是一个悬而未决的难题。过去的方法受困于优化一个预设的表征空间，本质原因是它们将模型学习等同于参数估计，而非概念的创造与筛选。

本文的核心洞见是：把表征选择重新看作一种对未来行动能力的投资。由此，“表征赋能”这一关键操作，通过量化一个新概念能解锁多少未来规划选项，而非仅追求数据拟合精度，使问题得以解开。

这项工作真正留下的遗产是，一个指导有限理性智能体“应该学什么”的计算原则。它为后来者打开的新门是构建能跨任务自主创造抽象的智能体，但尚未跨过的门槛是如何从高维感知中高效生成候选表征。

arxiv.org/abs/2609.02322 #机器学习# #人工智能# #论文# #AI创造营#