# 從狀態機到世界狀態機：AI 為何不應每輪重新理解世界 **系列：狀態驅動的本地具身 AI｜第 4 篇** **版本：v0.1** **日期：2026-08-01** --- ## 摘要 今日許多 LLM Agent 與具身 AI 系統仍保留一種「請求式心智」結構：每當新輸入到來，系統把對話歷史、工具輸出、感知摘要、任務資訊與部分程式說明重新塞回模型，要求模型再次判斷「現在發生了什麼」。這種方法在短任務中簡單有效，但當系統需要長時間存在、持續感知、控制實體裝置或跨設備協作時，會產生上下文重讀、狀態漂移、歷史膨脹、延遲、費用與不一致等問題。 本文提出「世界狀態機（World-State Machine）」作為一種 Runtime 架構，而不是新的生成式 world model。其核心原則是：**世界應被視為持續演化的狀態，而不是每一輪重新從完整歷史中重建的文字敘事。** 系統以事件增量更新目前狀態： $$ S_{t+1}=U(S_t,E_{t+1},A_t), $$ 大型模型只取得與當前任務相關的狀態投影： $$ C_t^{(m)}=\phi_m(S_t,G_t,Q_t), $$ 而不是完整歷史 $H_t$ 。 這個想法並非脫離既有理論。POMDP 的 belief state 是完整 action-observation history 的 sufficient statistic；機器人世界模型的工程文獻也長期把 world model 定義為可由其他元件 tell/ask 的持續世界狀態；近期 LLM Agent 研究則再次顯示 state tracking、finite-state memory 與 persistent world model 對長程任務可靠性具有顯著價值。 本文進一步提出三層資料結構：事件日誌、物化世界狀態、模型專用投影，並把不確定性、來源、時間戳、衝突與陳舊性納入狀態單元。這使「世界狀態」不再只是簡化的 key-value cache，而成為具身 AI、長期 Agent 與未來個人 AI Runtime 的核心執行基礎。 **關鍵詞：** 世界狀態機、世界模型、Agent State、POMDP、Belief State、事件驅動、Event Sourcing、持續狀態、LLM Agent、具身智能 --- # 1. 從一個很常見但昂貴的 Agent 迴圈開始 最常見的 LLM Agent 可以粗略寫成： ```text User / Sensor Input ↓ Collect History ↓ Build Prompt ↓ LLM Re-understands Context ↓ Choose Tool / Action ↓ Append Result to History ↓ Repeat ``` 形式上： $$ a_t=M(H_t,o_t), $$ 其中： $$ H_t=(o_0,a_0,o_1,a_1,\ldots,o_{t-1},a_{t-1}) $$ 代表累積歷史。 這種架構有一個隱藏前提： > **當前世界可以藉由重新閱讀歷史而重新理解。** 在幾輪聊天中，這很合理。 但若 Agent 連續運作數小時、數天甚至數月，問題便開始出現： $$ |H_t|\uparrow \quad\Longrightarrow\quad \text{Context Cost}\uparrow, \text{Latency}\uparrow, \text{State Ambiguity}\uparrow. $$ 更糟的是，歷史不是世界本身。 「五分鐘前門是開的」並不代表「門現在仍然是開的」。 因此： $$ \boxed{ \text{History} \neq \text{Current State} } $$ 這是從聊天系統走向長期 Agent 時最重要的架構轉折之一。 --- # 2. 世界不是每輪重新生成，而是在變化 如果機器人知道： ```text 門：關閉 主人：客廳 電量：63% 任務：等待主人 ``` 下一秒只發生： ```text 事件：主人走進廚房 ``` 那麼合理的更新是： ```text 主人：客廳 ↓ 主人：廚房 ``` 而不是把過去三小時的攝影機描述、對話紀錄、導航日誌全部重新交給大模型，請它再次判斷主人在哪裡。 形式上： $$ S_{t+1} = U(S_t,E_{t+1},A_t). $$ 其中： - $S_t$ ：目前世界狀態； - $E_{t+1}$ ：新事件／觀測； - $A_t$ ：上一輪行動； - $U$ ：狀態更新算子。 這裡真正處理的是： $$ \Delta S_t, $$ 而不是重新求： $$ S_t=f(H_t) $$ 的完整重建。 因此世界狀態機的第一條原則是： $$ \boxed{ \text{Update the difference; do not repeatedly reconstruct the whole.} } $$ --- # 3. POMDP 早就提供了一個重要數學直覺 真實世界通常不是完全可觀測的。 我們不能直接知道真實狀態 $s_t$ ，只能取得 observation： $$ o_t. $$ 在 POMDP 中，可以維持 belief state： $$ b_t(s) = P(s_t=s\mid H_t). $$ 而 belief state 有一個非常重要的理論性質：在標準 POMDP 假設下，它是完整 action-observation history 的 sufficient statistic。 也就是： $$ \pi^*(H_t) = \pi^*(b_t). $$ 控制策略不必每次把完整歷史當輸入，只要有正確更新後的 belief state 即可。 其更新可以抽象成： $$ b_{t+1} = \tau(b_t,a_t,o_{t+1}). $$ 這與本文想表達的世界狀態機非常接近： $$ S_{t+1} = U(S_t,A_t,E_{t+1}). $$ 但必須強調： > **任意壓縮狀態都不是 sufficient statistic。** 只有當 $S_t$ 保留了當前任務真正需要的資訊，它才可以取代完整歷史。 因此，世界狀態機不是「把歷史摘要一下」。 它是一個持續被校正、被驗證、面向決策而設計的狀態表示。 --- # 4. 「世界模型」這個詞其實有兩種不同意思 今天談 world model，很容易混淆兩類東西。 第一類是： $$ \text{Predictive / Generative World Model} $$ 例如學習： $$ P(S_{t+1}\mid S_t,A_t) $$ 甚至生成未來影像、物理軌跡或多模態世界。 第二類則是傳統機器人軟體架構中的： $$ \text{World State Representation}. $$ 2023 年的《Robotic world models—conceptualization, review, and engineering best practices》回顧了數十年的機器人 world model 文獻，並把 world model 描述為內部表示世界狀態、讓其他模組透過 tell/ask 介面更新與查詢的軟體元件。 本文主要談的是第二種： $$ \boxed{ \text{World-State Runtime} } $$ 它不一定需要生成未來。 也不一定是神經網路。 它首先要回答： > **現在，系統相信世界是什麼狀態？** 未來的 predictive world model 可以接在這個 Runtime 上，但兩者不應概念混用。 --- # 5. 世界狀態不是一個巨大 JSON 最粗糙的實作可能是： ```json { "user_location": "kitchen", "battery": 63, "door": "closed" } ``` 這可以作為 MVP，但長期系統還不夠。 因為真實世界的狀態至少需要： $$ x_i= (v_i,c_i,t_i,s_i,\ell_i), $$ 其中： - $v_i$ ：value； - $c_i$ ：confidence； - $t_i$ ：timestamp； - $s_i$ ：source； - $\ell_i$ ：lifetime / staleness policy。 例如： ```text user.location = kitchen confidence = 0.91 timestamp = 12:31:05 source = camera_2 valid_for = 5 sec ``` 這與： ```text user.name = Neo confidence = 1.0 source = identity_database valid_for = persistent ``` 不是同一種類型的狀態。 所以： $$ \boxed{ \text{State Value} + \text{Epistemic Metadata} } $$ 才構成真正可維護的世界狀態。 --- # 6. 狀態至少要分成五類 一個長期具身 Agent 可以把 $S_t$ 分成： $$ S_t= ( P_t, D_t, T_t, R_t, B_t, M_t ). $$ ## 6.1 Physical State：物理世界 例如： - 人的位置； - 門是否開啟； - 障礙物； - 房間； - 光線； - 溫度； - 物體姿態。 --- ## 6.2 Device State：自身裝置 例如： - 電量； - 馬達； - 網路； - 攝影機； - 充電狀態； - 故障； - CPU/NPU 負載。 --- ## 6.3 Task State：任務 例如： - 當前目標； - 子任務； - pending tool calls； - checkpoint； - 失敗次數； - timeout。 --- ## 6.4 Relational / Social State：關係與互動 例如： - 誰正在與我說話； - 上一個對話主題； - 是否正在等待回答； - 對方是否剛離開； - 某個互動是否被打斷。 --- ## 6.5 Belief State：不確定狀態 例如： ```text 主人可能在： 廚房 0.65 書房 0.28 其他 0.07 ``` 世界狀態不應假裝所有資訊都確定。 --- ## 6.6 Memory State：長期可檢索狀態 例如： - 穩定偏好； - 歷史事件； - 人物知識； - 長期計畫； - 技能紀錄。 Memory 與 Current State 必須分開： $$ \boxed{ \text{What was true} \neq \text{What is true now}. } $$ --- # 7. 三層資料結構：Event、State、View 本文建議把世界狀態 Runtime 拆成三層。 --- ## Layer 1：事件日誌 保存： $$ L_t=(e_1,e_2,\ldots,e_t). $$ 例如： ```text 12:30:01 camera_1 sees user in living_room 12:30:03 user says "我要去拿水" 12:30:07 camera_2 sees user in kitchen 12:30:08 robot pauses follow mode ``` 事件最好盡量 append-only。 這與軟體架構中的 Event Sourcing 有相似性：事件不是直接被覆蓋，而是作為狀態變化的歷史來源。 --- ## Layer 2：物化世界狀態 從事件更新出： $$ S_t=\operatorname{Reduce}(S_{t-1},e_t). $$ 目前可能是： ```text user.location = kitchen robot.mode = waiting current_dialogue = paused battery = 63% ``` 日常決策直接讀取這一層，不必每次重播完整事件。 --- ## Layer 3：模型專用 View 不同模型不應取得整個 $S_t$ 。 而應由投影函數： $$ C_t^{(m)} = \phi_m(S_t,G_t,Q_t) $$ 生成需要的上下文。 例如語言模型只看到： ```text Current user: Neo Current location: kitchen Dialogue state: paused 8 seconds ago Last utterance: "我要去拿水" Current robot task: waiting ``` 導航模型可能只看到： ```text robot_pose local_map obstacles target_pose ``` 安全控制器甚至只需要： ```text velocity distance_to_human cliff_sensor motor_status ``` 因此： $$ \boxed{ \text{One World State} \rightarrow \text{Many Task-Specific Views} } $$ 這比「每個模型自己重新理解世界」穩定得多。 --- # 8. 為什麼 Event Log 與 Current State 都要保留？ 如果只保存 Current State： ```text door = closed ``` 我們不知道： - 它一直是關的？ - 剛被主人關上？ - 感測器重新校正？ - 之前曾打開？ 如果只保存 Event Log，則每次都必須： $$ S_t=\operatorname{Reduce}(e_1,\ldots,e_t), $$ 長期成本又會上升。 因此實務上可以： $$ \boxed{ \text{Snapshot} + \text{Event Delta} } $$ 例如每隔一段時間建立 snapshot： $$ \hat S_k, $$ 之後只需要 replay： $$ e_{k+1},\ldots,e_t. $$ 這同時提供： - 快速查詢； - 稽核； - replay； - debug； - 歷史重建； - 當前狀態。 --- # 9. 世界狀態最大的敵人不是遺忘，而是「錯誤地確定」 具身世界充滿感知錯誤。 攝影機可能誤認。 聲音可能從另一個房間傳來。 GPS 會漂移。 物體會被人移動。 因此狀態更新不能總是： ```text new observation → overwrite old value ``` 更合理的是： $$ S_{t+1} = \operatorname{Fuse} ( S_t, E_{t+1}, \text{confidence}, \text{source}, \text{age} ). $$ 例如： ```text camera_1: user in kitchen, conf 0.72 microphone: user voice from living room, conf 0.55 phone: user device in kitchen, conf 0.94 ``` 系統可以維持 belief： $$ P(\text{kitchen})=0.86, \qquad P(\text{living room})=0.12. $$ 而不是強迫現在只能有一個布林真值。 這就是為什麼「世界狀態」與 POMDP belief state 之間有深刻連接。 --- # 10. 時間本身必須進入狀態 許多 Agent 錯誤並不是資訊錯，而是資訊過期。 例如： ```text door = open ``` 若這筆資料來自半小時前，就可能毫無意義。 因此可以定義： $$ \operatorname{freshness}(x_i,t) = f(t-t_i,\ell_i). $$ 當： $$ \operatorname{freshness}<\theta, $$ 狀態應轉成： $$ \text{unknown / stale} $$ 而不是繼續當作真實事實。 所以： $$ \boxed{ \text{Persistent State} \neq \text{Permanent Truth} } $$ 持續保存的是「目前最好的信念」，不是把曾經觀測到的一切永久視為真。 --- # 11. LLM 應讀「狀態投影」，不是資料庫全文 假設完整世界狀態有十萬個欄位。 模型不需要知道： - 每個馬達的 PWM； - 所有攝影機 frame ID； - 每個背景感測器； - 無關人物的位置； - 幾年前的所有對話。 模型只需要： $$ \phi(S_t\mid G_t), $$ 即： > 對當前目標 $G_t$ 有決策價值的狀態投影。 如果任務是： > 回答主人剛才問的問題。 則需要： - 當前人物； - 對話狀態； - 問題內容； - 相關記憶； - 可用工具。 如果任務是： > 返回充電座。 語言人格資料幾乎沒有必要。 因此： $$ \boxed{ \text{State Selection} \text{ is part of intelligence.} } $$ 不是「上下文越多越聰明」。 有時： $$ \text{Less but relevant context} > \text{More but noisy context}. $$ --- # 12. 近期 LLM Agent 研究已經開始重新發現這個問題 2025 年 ACL REALM Workshop 的 StateAct 直接加入 state-tracking，並報告在 ALFWorld、TextCraft、WebShop 等 benchmark 相較 ReAct 有明顯提升。 2025 年提出的 SciBORG 則使用 finite-state automata memory，讓 Agent 能持續追蹤狀態並在工具或執行失敗後恢復。 2025 年 EMNLP Findings 的 CoEx 更直接指出：若 Agent 只依賴 LLM 預訓練得到的靜態「內部世界模型」，卻不能把新的 observations 持續寫入動態世界模型，長期規劃會逐漸與真實世界失配。該工作因此維持 persistent neurosymbolic belief state。 換句話說，LLM Agent 領域正在重新碰到機器人與控制理論很早就知道的一件事： $$ \boxed{ \text{Reasoning needs state.} } $$ --- # 13. 世界狀態機與普通 FSM 有什麼不同？ 普通 FSM 常寫成： $$ q_{t+1} = \delta(q_t,e_t), $$ 其中 $q_t$ 通常是有限離散狀態，例如： ```text Idle Active Charging Fault ``` 世界狀態機則不是一個單一有限枚舉。 它更接近： $$ S_t = \{ x_t^1,x_t^2,\ldots,x_t^n \}, $$ 其中每個局部狀態可以有： - 離散值； - 連續值； - 機率； - 時間； - 關係； - 任務狀態； - 記憶指標。 因此： $$ \text{FSM} \subset \text{World-State Runtime}. $$ FSM 可以成為其中某一個 component，例如： $$ S_t^{\mathrm{device}}. $$ 但世界狀態機的重點是讓所有子系統共享： > **當前世界的一致可查詢表示。** --- # 14. 世界狀態也不能成為新的「上帝資料庫」 這裡需要防止另一個極端。 如果所有模組都可以任意寫入同一份全域狀態，系統很快會變成： - 強耦合； - 欄位衝突； - 難以追蹤； - 更新循環； - 資料權限混亂。 因此 world state 應有明確 ownership。 例如： ```text physical.pose owner = localization_service battery.level owner = power_service task.current owner = task_runtime social.attention_target owner = interaction_runtime ``` 其他模組可以： $$ \text{ask}, $$ 但未必可以直接： $$ \text{write}. $$ 這與機器人 world model 文獻提出的 tell/ask boundary 思想高度一致。 所以統一狀態不等於「所有東西直接共享記憶體」。 它應該是： $$ \boxed{ \text{Logical Single World} + \text{Controlled Update Authority} } $$ --- # 15. 模型輸出也必須變成事件，而不是直接偷偷改狀態 假設 LLM 說： > 「主人應該已經回家了。」 它不能直接寫： ```text user.location = home ``` 更合理的是產生： ```text inference_event: hypothesis = user_is_home confidence = 0.61 source = llm_inference ``` 然後世界狀態 Runtime 再決定是否更新 belief。 也就是： $$ \text{LLM Inference} \rightarrow \text{Event} \rightarrow \text{Validation} \rightarrow \text{State Update}. $$ 這與上一篇的： $$ \text{LLM Proposal} \neq \text{Execution Command} $$ 完全一致。 在這裡變成： $$ \boxed{ \text{LLM Statement} \neq \text{World Truth} } $$ 模型可以提出世界解釋，但不能靠一句生成文字自行改寫現實。 --- # 16. 狀態修正比狀態更新更重要 假設系統原先相信： $$ P(\text{user in office})=0.9. $$ 突然新的可靠感測器顯示： $$ P(\text{user at home})=0.99. $$ 好的 Runtime 必須允許： $$ S_t \rightarrow S_t' $$ 進行 revision。 甚至必要時回溯： > 哪些計畫是建立在舊錯誤狀態上的？ 所以每個計畫最好保存依賴： $$ \operatorname{Depends}(Plan_i) = \{x_3,x_7,x_{21}\}. $$ 當其中關鍵 state 被 invalidated： $$ x_7\rightarrow\text{invalid}, $$ 可以觸發： $$ Plan_i\rightarrow\text{replan}. $$ 這使世界狀態機真正變成動態決策基礎，而不是一個被動 cache。 --- # 17. 從世界狀態到事件驅動 AI 有了持續狀態，就不必讓大模型一直輪詢： > 有沒有事情發生？ 系統可以定義： $$ Trigger(E_t,S_t). $$ 只有某些事件滿足條件時： $$ Trigger=1, $$ 才啟動特定智能模組。 例如： ```text Battery < 15% → charging policy Known person enters room → social interaction runtime Unknown object blocks route → perception escalation Ambiguous human request → LLM Routine sensor noise → no LLM ``` 於是： $$ \boxed{ \text{Persistent State} + \text{Event Trigger} \rightarrow \text{Sparse Intelligence Invocation} } $$ 這將直接導向第 5 篇： **《按需智能：事件驅動、多模型路由與稀疏推理》** --- # 18. 一個完整的 World-State Runtime 可以將目前架構整理成： ```text Sensors / Apps / Humans / Tools │ ▼ Event Normalizer │ ▼ Append-only Event Log │ ▼ State Update / Fusion │ ▼ ┌─────────────────────┐ │ WORLD STATE │ │ physical │ │ device │ │ task │ │ social │ │ belief │ │ memory refs │ └─────────┬───────────┘ │ State Projection / | \ / | \ Safety BT/FSM LLM Runtime Runtime Context \ | / \ | / ▼ Action Proposal │ ▼ Actuator │ ▼ New World Events ``` 這形成閉環： $$ S_t \rightarrow A_t \rightarrow E_{t+1} \rightarrow S_{t+1}. $$ AI 不再只是一個問答函數。 它成為一個持續存在於狀態演化中的決策系統。 --- # 19. 這對本地 AI 特別重要 雲端模型可以很強，但本地裝置有： - 電量限制； - 網路中斷； - 記憶體限制； - 延遲； - 隱私要求。 如果所有智能都依賴： $$ \text{Upload Whole Context} \rightarrow \text{Cloud Reasoning}, $$ 系統很難真正持續。 但若本地一直維持： $$ S_t, $$ 雲端模型只需要偶爾收到： $$ \phi(S_t), $$ 則： - 傳輸資料減少； - 隱私暴露減少； - 雲端斷線仍能維持狀態； - 換模型不會失去「現在是什麼狀況」； - 同一世界狀態可以被不同模型共享。 因此： $$ \boxed{ \text{The persistent intelligence substrate is state, not necessarily the largest model.} } $$ 這一點會在第 7、8 篇的本地 AI 手機與跨設備 AI 主腦再次出現。 --- # 20. 結論 當 AI 只是一個被動聊天工具時： $$ \text{Prompt} \rightarrow \text{Response} $$ 已經足夠。 但當 AI 需要長時間生活在一個持續變化的世界中，架構必須變成： $$ \boxed{ S_t + E_{t+1} + A_t \rightarrow S_{t+1} } $$ 然後模型只處理： $$ \phi(S_t,G_t,Q_t). $$ 完整歷史仍然可以保存。 但歷史的角色是： - 稽核； - 回放； - 記憶； - 重建； - 學習； 而不是每一輪都重新充當「現在」。 因此本文最核心的區分是： $$ \boxed{ \text{History stores how we got here;} \qquad \text{State tells us where we are now.} } $$ 當這個區分成立後，大型模型才真正有可能從一個反覆被 Prompt 喚醒的函數，變成一個可以在持續世界中按需出現的高階智能模組。 下一步也因此非常自然： > 如果世界狀態已經一直存在，大模型還有必要一直運行嗎？ 答案很可能是否定的。 第 5 篇將正式進入： **事件驅動、多模型路由與稀疏推理。** --- # 參考資料 1. Paquet, S., Tobin, L., & Chaib-draa, B. *Online Planning Algorithms for POMDPs*. PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC2748358/ 2. Aberdeen, D., Buffet, O., & Thomas, O. (2007). *Policy-Gradients for PSRs and POMDPs*. AISTATS. https://proceedings.mlr.press/v2/aberdeen07a.html 3. Tedrake, R. *Underactuated Robotics — Planning Under Uncertainty*. MIT. https://underactuated.csail.mit.edu/belief.html 4. Waibel, M. et al. (2023). *Robotic world models—conceptualization, review, and engineering best practices*. Frontiers in Robotics and AI. https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2023.1253049/full 5. Rozanov, N., & Rei, M. (2025). *StateAct: Enhancing LLM Base Agents via Self-prompting and State-tracking*. REALM 2025, ACL Anthology. https://aclanthology.org/2025.realm-1.27/ 6. Muhoberac, M. et al. (2025). *State and Memory is All You Need for Robust and Reliable AI Agents*. https://arxiv.org/abs/2507.00081 7. Kim, M., & Hwang, S.-w. (2025). *CoEx – Co-evolving World-model and Exploration*. Findings of EMNLP 2025. https://aclanthology.org/2025.findings-emnlp.1179/ 8. AWS Prescriptive Guidance. *Event sourcing pattern*. https://docs.aws.amazon.com/prescriptive-guidance/latest/cloud-design-patterns/event-sourcing-pattern.html 9. Dixon, M. F. (2026). *Model Validation of Agentic AI Systems: A POMDP-Based Framework for Belief-State, Forecast, and Policy Validation*. https://arxiv.org/abs/2606.17383