别再记笔记了，把规则写成程序
让 AI 玩一款它没见过的游戏，会发生什么？它先乱按，摔几个跟头，然后开始记笔记：「红色方块踩上去会弹起」「先拉杆再进门，门才会开」。听起来挺聪明。问题是，游戏越玩越深，交互记录越攒越长，笔记被不断压缩、重写——几小时之后，AI 忘了自己最早学到的教训，在同一个坑里再摔一次。研究人员管这叫记忆退化，玩过 ARC-AG…
别再记笔记了，把规则写成程序
让 AI 玩一款它没见过的游戏，会发生什么？它先乱按，摔几个跟头，然后开始记笔记：「红色方块踩上去会弹起」「先拉杆再进门，门才会开」。听起来挺聪明。问题是，游戏越玩越深，交互记录越攒越长，笔记被不断压缩、重写——几小时之后，AI 忘了自己最早学到的教训，在同一个坑里再摔一次。研究人员管这叫记忆退化，玩过 ARC-AGI-3 这类长程探索基准的人，对这一幕都很熟悉。
CMU、UC 伯克利和一支叫 Impossible Research 的团队，在一篇新论文里给这个老毛病换了个治法：别用文字记，用程序记。
笔记和程序，差在哪
差别不在格式，在「能不能跑」。
一段笔记只是陈述：「拉杆之后门会开。」一段程序是承诺：给定你现在的位置和你做的动作，我能算出下一步世界会变成什么样。笔记是过去时，程序是将来时。笔记没法证伪，程序可以——拿它去重放历史，逐条对照真实发生过的事，对不上就是错的。
论文把这个思路叫交互式程序归纳。AI 一边探索，一边把「我以为这个世界怎么运作」写成一段可执行的程序；每学到一个新机制，就往程序里加一条规则；每条规则都要过一遍历史一致性检验——用过去的交互记录回放，看程序的预测和真实结果是否吻合。对不上的地方，就是下一轮该去调查的地方。
这和科学家的工作方式是同构的：观察，提出假说，用实验检验，修正假说。区别只是，这里的假说必须写成机器能执行的形式。
四件套，哪件最值钱
整套框架叫 Schema，四个环节：假设（把理解写成程序）、认证（用历史回放检验程序）、规划（在程序里搜索行动方案）、带验证的执行（每走一步，核对程序预测和世界真实反馈）。
哪件最值钱？论文用消融实验给出了排序——在最难的十款游戏上，把完整框架（72.9%）逐件拆掉看掉多少分：换成文字笔记，掉到 58.8%；去掉认证，62.3%；去掉规划，59.2%；去掉带验证的执行，52.4%。
两个结论都反直觉。第一，把文字换成程序确实有用（差 14 分），但它不是最大的功臣——最大的功臣是验证。把每步执行前的核对拆掉，直接掉 20 分，比换成文字掉得还多。第二，换句话说：光让 AI「把笔记写成代码」远远不够，还得逼着它每一步都对着真实世界核对。程序之所以可靠，不是因为它是代码，而是因为它随时会被抓住出错。
战绩，和战绩背后
成绩单分三块，都是外部基准，不是自家考卷。
ARC-AGI-3，ARC Prize 官方的视觉解谜基准，25 款公开游戏、183 个关卡，规则完全未知。同一个基座模型，普通代码框架下人类动作效率（RHAE）58.7%，装上 Schema 之后 99.2%。这个最优数字来自 Fable 5 配置；四个模型配置整体从 1.2%–20.2%（基础框架）提到 86.1%–99.2%，通关游戏数从最多 6 款提到 22–25 款——最好和次优的两个配置（Fable 5 与 Sol）都清了全部 25 款，而它们原本的代码框架分别只过 14 和 15 款。视频里「通关全部 25 款」的说法，准确说是这两个配置的战绩。
DiG-bench，隐藏规则探索基准，21 款公开游戏。GPT-6 Astra 在 Schema 下全部通关，且失败尝试更少、扣血更少——每通关一关的估算成本 3.40 美元，比基础框架的 4.00 美元低约 15%。省钱不稀奇，稀奇的是省钱的同时赢了更多。
MazeBench 最狠。一个 3D 大迷宫，256 个连通房间、100 颗宝石，考验的是超长交互里的知识积累。排行榜前 50 名人类玩家，平均玩了 37.2 小时、65,876 步，宝石收集的中位数是 29%。Schema 跑过数万次交互，持续累积和复用知识，探索成绩摸到了这批人类玩家的中位线。
边界在哪
先说一个论文自己认的边界：这套东西目前只在游戏和模拟环境里证明了。游戏环境有个得天独厚的性质——验证是免费的。程序预测错了，重置一下就行，代价为零。物理世界里，验证一次可能就是一台摔坏的机器。程序归纳范式能不能搬进真环境，还没人证明。项目主页上，团队自己写了下一站：比 64×64 像素网格丰富得多的环境——「这就是我们要去的地方。」
还有一层更细的：人类玩 37.2 小时是连续的体感学习，agent 的数万步是 API 调用堆出来的，两者不完全是一回事。摸到人类中位线是实打实的成绩，但「人类级」三个字，读的时候留一分。
即便如此，这篇论文留下的东西比数字多。它给「AI 的记忆」换了一个定义：记忆不该是一堆关于过去发生了什么的文字，而是一个关于世界如何运作、随时可以被推翻的模型。存了记忆、跑通了任务，都不等于学会了——这个判断，最近几周在不同团队的论文里反复出现。Schema 给出的是一个便宜又结实的回答：把你的理解写成程序，让它每天接受现实的核对。
论文：arxiv.org/abs/2609.39140（Schema: Discovering Unknown Environments via Agentic Program Induction）。项目主页：schema-harness.github.io。两点与视频说法的差异，如实注明：视频说「Python 程序」，论文正文只说可执行程序、没锁定语言；视频说「36 小时近 3 万步」，论文正文没给这个数，只说数万次交互。
#智能体 #程序归纳 #arc-agi-3