1、将预测编码与自由能原理转化为世界模型的层级化损失函数与更新规则。 2、开发结构因果模型（SCM）与Do-Calculus的可微分实现，使世界模型支持反事实推理与干预模拟。 3、探索神经符号融合在世界模型中的应用，实现从亚符号感知到符号推理的平滑过渡。 4、设计认知先验模块：物体恒常性、物理直觉、因果感知的神经网络实现。 5、构建认知评估基准：设计实验验证世界模型是否具备人类级别的物理直觉与因果推理能力。 6、与首席研究员协作，将认知模块融入JEPA架构，确保理论创新直接转化为算法增益。

1、博士学位，认知科学、计算神经科学、人工智能或心理学方向。 2、对Predictive Coding、Free Energy Principle、Bayesian Brain Hypothesis有深度理解，熟悉Karl Friston的理论体系。 3、熟悉因果推断（Pearl的Do-Calculus、因果发现算法）、神经符号AI（Logic Tensor Networks、Neural Theorem Provers）。 4、PyTorch/JAX精通，有将认知理论转化为深度学习模型的实际经验。 5、顶会顶刊论文至少2篇，涉及认知建模、因果推理或神经符号系统。 6、具备跨学科视野，能够阅读并批判性吸收认知科学、哲学与数学文献。 7、优先条件： 1）有主动推断（Active Inference）或生成模型（Generative Models）在认知科学中的应用经验。 2）熟悉Josh Tenenbaum的物理场景理解或Noah Goodman的概率编程路线。 3）有构建认知基准数据集（如CLEVR-Physics、IntPhys）的经验。