从模糊感知到确定性规划：VLM在不确定环境中的突破与局限
感知与推理的鸿沟
在人工智能的浩瀚领域中，部分可观测环境始终是一座棘手的山峰。对于自主代理而言，世界的真实状态往往隐于感知之外，代理必须在不确定性中行动。这种情况下，如何获得一个既有根基又可验证的符号规划，成为了连接“看见”与“思考”的关键瓶颈。近年来，Vision-Language Models（VLM）的崛起被视为破局的希望，但其应用之路并非坦途。业界目前主要沿袭两条主流范式：一是VLM作为规划者，直接将图像映射为动作序列；二是VLM作为地基者，将观测 grounded 为符号谓词，作为离线规划器的初始状态。然而，这两种方法都存在共同的盲区——它们在规划过程中对不确定性视而不见，这在复杂的真实场景中往往导致任务失败或行为失误。
不确定性的根源与代价
为什么现有范式会忽视不确定性？这背后折射出感知与符号逻辑之间的本质张力。在部分可观测设定下，代理的状态估计本身就是一个充满噪声的过程。传统的规划器假设初始状态是确定的，而现有的VLM地基方法往往倾向于输出单一的、确定的谓词。这种做法虽然便捷，却丢失了关键的不确定性信息。当VLM对“杯子在左侧”这一判断仅给出一个二值结果时，后续的规划动作便失去了对可能错误的预警机制。这种“确定性的假象”在家庭机器人、自动驾驶等对安全性要求极高的领域，可能代价高昂。文章明确指出，既有方案的这一缺陷直接 compromise 了系统的鲁棒性，使得它们在面对动态、未知环境时显得力不从心。
新范式的诞生：VLM作为概率地基者
面对上述挑战，作者打破常规，提出了全新的第三范式——VLM作为概率地基者。这一创新点的核心在于重新定义了VLM的输出方式。不再追求单一的真值，该方法将VLM谓词的地基化视为一个符号状态的概率分布。简单来说，当面对“杯子在左侧”这一观测时，系统不再给出简单的“是”或“否”，而是计算出一系列可能的符号状态及其对应的概率值。这种概率化的处理方式，为规划器提供了丰富的不确定性量化数据。基于此，规划过程便不再是在确定性状态空间中寻找路径，而是转移到了信念空间中进行搜索和决策。这种范式的转变，本质上是将 foundation models（基础模型）的强大感知能力与概率规划的严谨性成功结合，为在不确定性下产生健壮的规划提供了理论与方法学的支撑。
实验验证：从仿真到鲁棒性
理论的创新最终需要实验数据来检验。文章在模拟的家庭机器人设置中进行了一系列实验，以验证新范式的有效性。实验结果呈现出显著的差异：相比于传统的确定性地基方法，基于概率地基者的新范式在任务成功率上实现了显著提升，且表现出更强的鲁棒性。在面对感噪声、遮挡或部分可观测的情况下，新方法能够更准确地维持任务目标的达成概率。这不仅证明了概率建模在感知不确定性环境中的必要性，也佐证了利用大型模型进行符号推理时，必须引入不确定性量化的重要性。实验数据清楚地表明，仅仅依靠VLM的“直觉”而不进行概率校准，在复杂任务链中是行不通的。
展望：可信赖的智能之路
展望未来，这一新范式的推出无疑为AI领域注入了一剂强心剂。它展示了如何在不牺牲 foundation models 强大感知能力的前提下，解决其在符号推理层面的脆弱性。对于研究人员而言，这提供了一个全新的切入点：如何在保持模型强大表达能力的同时，引入严谨的不确定性管理机制。对于工程落地而言，这意味着未来的自主系统将不再是盲目地执行动作，而是能够感知自身知识的边界，在模糊的世界中做出更加谨慎和可靠的决策。这标志着AI系统从“确定性的博弈”向“概率的博弈”转变的重要一步，也让我们看到了在不确定环境下实现可信赖智能的可能性。