開放問題與後續假說

這一頁保存目前仍不能確定的問題。這些內容不是既定結論，而是後續討論、閱讀或實驗可以繼續追蹤的方向。

獎勵與信用分配

• 任務長度、環境不確定性與獎勵稀疏程度，達到什麼條件時，系統才需要更昂貴的回放與重新歸因？
• 中間獎勵應由人類設計、由模型學習，還是由兩者共同調整？
• 如何讓中間評分器協助學習，又不成為可被模型利用的新代理目標？
• 最終獎勵要如何有效傳回早期決策，而不把整段軌跡一律視為同樣重要？

因果與反事實

• 智能體如何可靠區分「某一步與成功同時出現」和「某一步真正造成成功」？
• 世界模型中的反事實推演，準確到什麼程度才值得信任？
• 在無法重跑真實環境的任務中，哪些替代證據足以支撐因果判斷？

動物與 AI 的類比邊界

• 動物在睡眠或休息時的經驗重播，與 AI 的 replay buffer、軌跡回放或離線訓練，在功能層級上可以比較到什麼程度？
• 狗因馴化而更依賴人類，能否為人機協作型智能體提供有效類比，還是只是一個容易誤導的故事？
• 狼與狗的能力專門化，是否能幫助我們設計不同類型的 AI，而不是用單一基準衡量所有智能？

泛化與情境

• 志強在房間學會的規則不會自動完整套用到客廳；AI 的跨情境泛化有哪些真正相似之處？
• 要如何判斷一個系統已經學到抽象規則，而不是只記住表面線索？
• 情境變化到什麼程度時，應該重新訓練、加入示範，或只需要少量提示？

後續記錄原則

每次新增問題時，應盡量連回一個具體志強案例或動物行為觀察。若問題後來得到較可靠答案，應移到對應主題知識頁或設計原則，並在此保留簡短的解決紀錄。