「獲知球的移動方向，是決定球拍最佳位置的关键要素。」

2015 年，學者 Matthew Hausknecht 與 Peter Stone 在研究 Atari 遊戲智能體時，說出了這句話。

聽起來像廢話。但在 AI 世界裡，這句話撕開了一個根本矛盾：當下的畫面，永遠不夠你做決策。

Pong 遊戲裡的「時間失憶」

先回到經典的 Pong 彈球遊戲。

某一幀畫面定格，螢幕上只有兩隻球拍、一顆球、當下的比分。全部細節都精準到位。

但問題是——你無法判斷球正在飛向哪裡。

原因很簡單：單幀畫面只能揭示球拍和球的位置，卻無法揭示球的速度。

球往哪飛，是一個關於「過去幾個瞬間」的事實。沒有任何一個孤立的瞬間，能單獨包含這個資訊。

這就是核心矛盾：眼前的即時輸入，永遠無法滿足動態決策的需求。

「感知混淆」：兩個相反的情境，長得一模一樣

真正麻煩的，是學術界所謂的「感知混淆（Perceptual Aliasing）」。

DeepMind 的 Volodymyr Mnih 等人在 2015 年 Nature 論文中坦言，由於智能體只能觀察當前螢幕畫面，這個任務屬於「部分可觀察狀態」。

什麼意思？

「球正飛向你的球拍」和「球正飛離你的球拍」——這兩個截然不同的情境，在靜態畫面中會產生完全相同的圖像。

一個只看圖像的系統，被迫把它們當成同一種情境。而這兩種情境需要完全相反的操作，系統必然在其中一種情況下出錯。

4 幀疊加：一個最樸素的補丁

DeepMind 的解法非常直接——不給一張畫面，而是把最近的幾幀疊在一起作為輸入。

預設值是 4 幀，雖然 3 幀或 5 幀也能適應。

四幀並排後，球的運動直接顯現為位置的變化。運動方向不再是需要抽象記憶的概念，變成了一個可以直接「看見」的視覺屬性。

值得注意的是，論文並沒有把這組堆疊畫面稱為「記憶」。它本質上只是一個比單一時刻更寬的輸入通道。

真正的問題來了：第 5 幀之後，歷史不存在

Hausknecht 與 Stone 一針見血地指出：DQN 是用最近 4 個狀態構成的輸入訓練的。

「如果某款遊戲要求玩家記住超過過去四屏畫面更久遠的事件，DQN 將無法掌握這款遊戲。」

這句話背後藏著一道極其堅硬的物理邊界。

固定滑動窗口機制意味著：無論窗口如何拓寬，邊界之外的資訊都會被物理抹去。倒數第 5 幀之後的歷史，根本不在輸入範圍內。

說實話，這不是遊戲問題，是 AI 的通用困境

從 Pong 到擁有數百萬上下文窗口的大語言模型，表面上看技術已經天翻地覆。

但底層邏輯沒變：模型能輕易容納人類海量的靜態知識，卻無法在動態交互中把過去的全部細節無損隨身攜帶。

有限算力與上下文窗口是硬約束。真正的難題不是「能存多少」，而是「在壓縮過去的同時，如何準確提煉決定未來的核心狀態」。

這份摘要的取捨，決定了後續時刻擁有怎樣的資訊基礎。任何被遺漏的細節，後續時刻都永遠無法基於它做出反應。

持久記憶，是下一個關鍵戰場

這也是為什麼「持久記憶」成為當下自主智能體的核心議題。

簡單理解，一個表現良好的系統，必須從過去向當下承載某些資訊。但它承載的永遠不可能是完整的過去，而是一份摘要。

未來值得關注的方向是：如何讓智能體在壓縮的同時，不失真地保留「會影響決策的關鍵狀態」。這不僅是技術突破點，更是 AI 能否真正跨越時間、持續行動的底層邏輯。

FAQ

Q1：什麼是「感知混淆（Perceptual Aliasing）」？

A：指兩個截然不同的情境在靜態畫面中產生完全相同的圖像。例如球飛向球拍和球飛離球拍，在單幀畫面中看起來一模一樣，導致只看圖像的智能體無法區分，被迫執行相同的操作，從而在其中一種情境下必然出錯。

Q2：DQN 為什麼選擇用 4 幀畫面疊加作為輸入？

A：因為單幀畫面只能顯示位置，無法顯示球的速度與方向。將最近 4 幀畫面疊加後，球的運動直接顯現為位置變化，運動方向變成一個可直接觀測的視覺屬性。預設值為 4 幀，但 3 幀或 5 幀同樣可適應。

Q3：為什麼說「4 幀」暴露了 AI 記憶的物理硬邊界？

A：DQN 僅用最近 4 個狀態作為輸入訓練，一旦遊戲需要記住超過 4 屏更久遠的事件，DQN 就無法掌握。固定滑動窗口意味著邊界外的資訊被物理抹去，這揭示了有限上下文窗口下 AI 記憶的根本矛盾。