能量模型（EBM）通过标量能量 $E_\theta(x)$ 定义分布 $p_\theta(x)\propto\exp(-E_\theta(x))$，本文把它们作为统一的视角来连接机器学习的各个分支。任何 EBM 由三要素决定：能量函数本身、用于从能量中采样或优化的推断过程、以及将能量拟合到数据的学习方法。我们首先阐述这三部分的实现细节，包括采样、变分推断以及最大似然、噪声对比估计、伪似然、得分匹配和对抗训练等学习策略，并指出这些学习方法本质上共享一种对比结构。随后展示，判别模型、GAN、归一化流、扩散模型、自回归模型、对比学习、word2vec、BERT、去噪自编码器、扩散表征、基于 EBM 的强化学习策略与世界模型、逆强化学习、规划以及推断时的验证器等，都可以视为在能量、推断或学习选择上有所不同的 EBM，核心差异多体现在对配分函数的处理和采样方式上。该框架既解释了现有方法的关联，也提供了通过替换单一组件而保持其他不变的算法设计思路，能量的组合则为推断阶段的模型融合提供了原则性手段。
点评：通过统一的能量视角，本文把看似分散的模型归纳为同一框架，帮助研究者快速定位方法的核心要素并激发新的组合创新。