上篇 blog 的核心机制 “科学发现=把不同领域知识强制放进共享表征空间，再用一致性约束逼出结构”，可以一一对应成三个AI可训练的对象，对应到工程就是：
- 世界模型（WM）：实现“共享表征空间”的唯一载体（同一 latent 状态）
- 约束传播（CP）：把“跨领域一致性”实现成作用在同一 latent 上的筛子，并让筛子能连锁剪枝
- 结构搜索（SS）：把“结构稳定家族”实现成对结构变量的显式选择与压缩，而不是指望大网络自己长出来
下面展开说工程上如何训练这三个部分。
1 世界模型（WM）= “共享表征空间”的具体化
1.1 共享表征空间数学表达是什么
把所有领域/仪器/尺度的知识都落到同一个可干预的状态 (z_t) 上：
- 状态演化（受干预/控制）：
- 多视角观测（不同领域“语言/仪器”）：
这里：
- (z_t)：共享 latent（“共享表征空间”）
- (a_t)：动作/控制量（温度、压力、配比、场强、机器人动作等）
- (u_t)：干预掩码/标签（近似 “哪些变量被 do() 强制设定”）
- (o_t^{(k)})：第 (k) 个领域/传感器的观测
关键点：不是“每个领域一个 latent 然后对齐”，而是从结构上只允许一个 (z_t)。
1.2 “强制共享”在训练里如何体现
训练目标的主项是多视角联合似然（或误差）：
这会迫使不同领域都必须通过同一个 (z) 去解释数据——共享表征不是口号，是架构约束。
2 约束传播（CP）= “一致性约束”的实现，并让它能连锁剪枝
上篇blog里的“筛子”有两个特征：
- 约束不是只做正则，而是能否决大块候选解释
- 一个约束能通过共享表征影响其他领域（“传播”）
这在工程上就是：约束必须直接作用在同一个 (z_t) / 同一个动力学上。
2.1 把跨领域规律写成对 (z) 的约束项
将第 (m) 条领域约束写成可微或可判定的形式：
- 软约束（loss）：
其中 (c_m(\cdot)\ge 0) 表示违反程度（越大越不一致）。
例子（只依赖共享 (z)，因此天然跨领域）：
- 守恒/不变性（某个量 (I) 在演化中保持）：
- 对称/等变一致性（变换 (T) 前后结果匹配）：
2.2 “传播”从哪里来：共享 latent 的耦合效应
传播不是额外模块的魔法，而是同一个 (z) 带来的联动：
- 约束在 (z) 上排除一类轨迹形状
- 那么任何观测头 (p_{\phi_k}(o^{(k)}\mid z)) 都被迫跟着调整
- 等价于“一个领域的筛子把别的领域的解释空间也剪掉”
所以 约束传播 的本质是：把约束施加在共享坐标系（(z)）上，而不是施加在各自领域的输出上。
2.3 反事实一致性：让“一致性”变成可检验的硬标准
一致性可以写成：
给定同一初始状态 (z_t)，对两个不同干预 ((a_t,u_t)) 与 ((a'_t,u'_t))，要求变化只沿“允许的因果通道”发生：
其中距离 $$(d(\cdot,\cdot)) $$不是强行相等，而是结合约束定义“该变什么、不该变什么”，例如干预掩码限定受影响子空间。
3 结构搜索（SS）= “结构稳定”如何被逼出来（显式压缩）
上篇 blog 提到：筛子越来越多，最后剩下“结构稳定家族”。工程上需要一个显式的结构变量 (S)（例如交互图、模块组合、机制选择），否则“家族”不会显化。
3.1 把“理论结构”变成可搜索变量 (S)
令世界模型依赖结构 (S)：
常见的 (S) 例子：
- 交互图 (G)（哪些变量/对象相互作用）
- 模块连接方式（哪些子机制被复用）
- 机制族选择（多个机制专家的门控稀疏）
3.2 “结构压缩”写成选择压力（MDL/复杂度惩罚）
将“结构压缩”写成复杂度项 (\mathcal{C}(S))：
然后结构搜索用一个统一评分：
其中：
SS 的作用就是在结构空间里优化/筛选 (S)，让“幸存者”变少且更稳。
4 合起来的可训练闭环
把三者合并成一个总目标，可以写成：
其中：
- WM：由 (\theta,{\phi_k})（动力学 + 多观测头）实现共享表征
- CP：由 (\mathcal{L}{\text{cons}}) 与 (\mathcal{L}{\text{cf}}) 实现一致性与传播
- SS：由 (S) 与 (\mathcal{C}(S)) 实现结构显化与压缩选择