双线性世界模型：通过结构化动力学学习表征以实现高效控制

基于摘要分析。本文面向从高维观测学习世界模型并进行规划控制的问题，提出 JEPA 风格的世界模型，将潜在动力学限制为双线性参数化，以结构约束换取规划效率，并促使编码器学习能显露系统可控几何结构的表征。 核心机制是把部分建模负担从任意形式的潜在动力学转移到编码器。作者提出，该参数化允许从结构上强制满足动作可恢复性，从而在构造上防止表征坍塌；作者还指出，一大类非线性动力系统可通过变换获得双线性动力学。相关系统类别、变换条件、动作可恢复性的精确定义与防坍塌论证范围，均需阅读全文核对，摘要未提供具体损失与训练细节。 作者报告，在标准 2D 和 3D 控制任务中，模型可直接从高维观测学习具有双线性动力学的表征，规划时间缩短近三个数量级，同时保持或提高控制精度。该结果限于摘要所述控制任务；具体任务、对照方法、硬件、计时口径及精度指标尚未验证。作者还报告方法在更长时域规划与实时控制设置中有效，但摘要未给出规划时域与实时性约束。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 驱动的闭环控制具有可观测的状态转移及同步动作记录，可假设复用结构化潜在动力学与规划模块，另行改造 EEG 编码器；对应瓶颈是高维噪声观测下的状态学习与在线规划开销。但动作可恢复性可能受 EEG 低信噪比、部分可观测性、跨被试及通道变化影响，小数据也可能不足以学得所需变换。一个可证伪的小实验是在固定被试内、按完整轨迹划分的数据上，以相同编码器和训练预算比较双线性与非约束动力学，同时测量控制误差、规划耗时和表征退化情况。已有 EEG 相关工作尚未检索确认。