在计算机图形学领域，一项突破性成果引发广泛关注。由多所知名高校联合完成的研究，成功开发出名为“Learn2Fold”的人工智能系统，该系统能够依据简单文字描述，自动生成完整的折纸指导程序，为人工智能在复杂约束问题处理上开辟了新路径。
折纸艺术看似简单，实则蕴含复杂几何约束与物理法则。每一次折叠都需严格遵循规则，稍有偏差便可能导致整个过程失败。正因如此，折纸成为测试人工智能空间推理能力的理想场景。与传统处理布料等柔软材料不同，折纸必须遵循精确的几何定律，每条折痕、每个角度都有严格数学约束，容不得半点差错。而且，折纸需要具备长远规划视野，如同下棋，提前数步考虑后续影响，一个小错误可能使后续步骤无法进行。
过去的人工智能在折纸领域表现不佳，要么生成的图案看似合理却无法实际操作，要么需要极为详细的输入才能工作，无法理解“折一只纸飞机”这类简单指令。而Learn2Fold实现了重大突破，它将语义理解与物理验证巧妙结合，解决了这一难题。
Learn2Fold的工作原理类似一个由三位专家组成的团队。第一位是语言理解专家，它基于大型语言模型构建，但经过专门训练，能深入理解折纸领域的独特语言。传统语言模型处理折纸指令时，只能给出概念性描述，而Learn2Fold的语言模型可生成精确的程序化指令，如“选择边缘1和边缘3，沿着它们的中点连线进行山折，角度为45度”。它建立了统一的“词汇表”，将复杂几何操作分解为基本单元，每个单元对应一个标准化“词汇”，还能处理操作间的复杂依赖关系。
第二位是世界模型专家，如同经验丰富的物理学家，能在虚拟空间快速模拟折叠后果。当语言模型提出折叠建议时，世界模型会立即“试验”，预测可能出现的问题。它通过学习大量折纸数据，掌握关键模式和规律，能高效识别“危险信号”，如某些折叠可能导致纸张意外重叠或后续折叠无法进行，还能提供具体反馈信息，包括问题折痕、严重程度及解决方向。
第三位是质检员专家，即Level - 0模拟器，它像生产线上严格的质检员，对每个操作进行最终物理验证。折纸有基本物理定律，如川崎定理和前川定理，规定交叉点上折痕角度需满足特定数学关系。质检员不仅检查单个折叠可行性，还验证整个序列的协调性，检查是否存在空间冲突。发现问题时，系统会启动“重新规划”流程，分析失败原因，调整建议并重新生成候选方案。
这三位“专家”通过模型预测控制（MPC）的智能决策机制协同工作。语言模型提出多个候选方案，世界模型快速评估给出“风险评分”和“成功概率”，质检员对通过初步筛选的方案进行最终验证。系统决策综合考虑语言模型置信度、世界模型风险评估和目标进度等因素。当所有候选方案都不可行时，系统启动“智能重采样”机制，分析失败原因，生成针对性约束条件并重新生成候选方案。
为训练这个复杂系统，研究团队构建了名为“OrigamiCode”的大规模数据集，包含76,000多个折纸转换过程和75,000个完整折纸轨迹。数据集构建采用“反事实扰动”方法，系统不仅学习正确折叠方式，还学习错误方式，通过故意引入“扰动”生成大量正负例数据，使系统能识别“边界情况”，增强鲁棒性和泛化能力。数据集分为简单、中等、复杂三个难度等级，便于系统性评估系统表现。
实验结果显示，Learn2Fold在各项指标上显著超越现有方法。精确度达76.6%，召回率达71.1%，综合F1得分达73.9%，分别比最强基线方法高出36.9、35.3和47.3个百分点。在“边缘交并比”指标上，Learn2Fold达58.2%，对比方法最高仅13.2%，表明其能准确知道操作影响图案的部分。轨迹成功率上，Learn2Fold达89.1%，而最强对比方法仅54.6%。
面对未知折纸图案，Learn2Fold展现出强大泛化能力。在“分布外”测试中，面对训练中从未见过的全新图案，系统仍保持41.2%的步骤有效性和27.7%的轨迹成功率。这得益于系统掌握了折纸基本“语法”，而非简单模式匹配，且三个模块协同工作机制能在面对新挑战时保持稳定表现。研究团队还测试了系统的“错误恢复”能力，在故意引入错误指令的测试中，系统能识别问题、调整策略并重新回到正确路径。
以下是关于Learn2Fold的问答：问：Learn2Fold是什么？答：Learn2Fold是联合开发的人工智能折纸系统，能根据简单文字描述自动生成完整折纸指导程序，由语言理解、世界模型、质检员三个模块组成。问：Learn2Fold和传统折纸生成方法有何区别？答：传统方法要么生成看似合理但实际无法执行的图案，要么需要详细输入。Learn2Fold创新在于分离语义理解与物理验证，既能处理模糊文字指令，又能确保生成结果物理可行。问：Learn2Fold的成功率如何？答：测试中轨迹成功率达89.1%，面对新图案仍能保持27.7%的成功率，泛化能力强。
