Predictive（预测式方法）是人工智能中一类核心技术思路：模型通过预测未来状态、缺失信息或自身表征来学习规律，广泛应用于时间序列预测、世界模型、联邦学习和智能体记忆等方向。近期的趋势是"预测"从单纯的输出任务，转向作为一种通用的学习目标（predictive objective）渗透到各类模型架构中。
Predictive 方法近期进展
当前焦点与观察点
第一个观察点是 predictive objective 的边界问题。JEPA 类方法在视觉和语音上表现良好，但在纵向 EHR 等异质、稀疏的医疗数据上是否依然有效，目前结论并不一致，这是学界正在验证的争议点。
第二个观察点是预测模型的可信度。例如人工代表树结合 CPS 的研究让单棵树输出预测区间与超越概率，以及对鲁棒非线性模型预测控制的认证式神经近似，都指向同一个需求：预测不仅要准，还要给出可量化的不确定性保证。
第三个观察点是预测能力向多智能体与人机协作场景延伸。RACER 框架从少量样本预测陌生专家的能力以完成人机路由，另一项工作则诊断机器集体的黑盒耦合行为，说明 predictive 正从"预测数据"扩展到"预测参与者"。后续值得跟踪的，是预测式世界模型在真实机器人上的部署表现，以及预测目标与强化学习结合能否在效率上持续超越基线。