面向 6G 的智能体式世界建模：近实时生成式状态空间推理

基于摘要分析。本文研究开放无线接入网（O-RAN）的近实时控制，将物理资源块（PRBs）等动作作为生成式状态空间模型的条件输入，预测不同资源配置下的关键性能指标（KPIs），并结合短时域规划支持“假如采取某动作”的情景分析。主要研究对象是无线网络控制，而非 EEG 解码或 BCI。 模型 WM-MS3M 将多尺度结构化状态空间混合（MS3M）与紧凑随机潜变量结合，用于汇总历史 KPIs，并预测假设 PRB 序列下的下一步 KPIs。摘要称模型同时刻画偶然不确定性与认知不确定性，但具体估计方法及校准证据尚未验证。规划器基于模型预测控制（MPC）与交叉熵方法（CEM），在数据驱动的 PRB 边界内，使用先验均值滚动预测最大化确定性奖励；不确定性是否直接参与动作选择，需查正文确认。 作者报告，在真实感 O-RAN 轨迹上，相比 MS3M，WM-MS3M 的 MAE 降低 1.69%，参数量减少 32%，延迟相近；相比注意力及混合架构基线，RMSE 降低 35–80%，推理速度为其 2.3–4.1 倍。摘要未提供轨迹规模、划分方式、具体基线及硬件设置，不能据此跨协议比较。作者提出该模型可支持罕见事件模拟和离线策略筛选，但闭环收益、反事实预测的可识别性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统具备同步记录的神经信号、系统动作与后续反馈，动作条件化状态预测可能用于评估不同反馈或刺激方案，而非直接替代解码器。可复用的是历史状态汇总与短时域规划思路；需改造信号表征、动作定义、奖励及安全约束。低信噪比、跨被试差异、通道变化和小数据可能使预测失准，历史动作选择偏差也可能限制反事实解释。可先在含动作记录的数据上，按时间留出评估动作条件化与非动作条件化模型的下一步预测及不确定性校准，不将其视为干预效果验证。已有 EEG 相关工作尚未检索确认。