粤公网安备 44010602001315号
假设有一个游戏关卡，AI尝试了很多次都没能通关，那么究竟是它还没找到解法，还是给定的行动次数根本不够
面对相似任务时，让agent复用彼此积累的经验，是一种自然的思路。遗憾的是，并不存在一种在所有场景下
GPUKernel优化，并不是简单地把一段可运行代码改得更快。面对真实生产环境中的Kernel，co
在道格拉斯·亚当斯的科幻小说《银河系漫游指南》中，超级计算机“深思”耗费750万年，终于算出了“生命
Agent在一个任务中改正了某个错误，换个会话却可能重复犯错。把纠错经验写进上下文或技能文件，后续仍
投稿人：张成香港科技大学（广州）MPhil长期记忆（Long-termMemory）已成为LLMAg
投稿作者：朱金昌，香港科技大学（广州）MPhil在长期对话、个性化服务和多轮任务协作中，AIAgen
机器人在真实世界中的每一次执行，都在产生经验。如何把这些经验利用起来，一直是个难题。传统做法依靠人工
一次代码优化评估动辄85分钟，一次CPU微架构设计评估时长高达28小时……当CodingAgent提
Agentharness正在成为当前Agent系统的核心组件，它决定了模型如何调用工具、管理上下文、
如果能按需设计一种酶，专门分解有毒污染物；或创造一种蛋白酶，精准切割与疾病相关的特定肽段，将为环境治
投稿作者：王凯琪先进研究院算法工程师世界模型预测机器人操作过程时，能否保持目标的物理一致性，避免无故
在交互式视觉环境中，AIAgent能否像人一样观察、推理和行动，并在陌生世界中从交互经验里持续学习？
改进的球堆积界、新的胶子散射公式，以及经实验验证的纳米抗体设计……前沿AI系统已经开始在科学研究中取
相比于单Agent的序列执行，多Agent系统可以通过并发执行降低整体任务延迟，进而提升复杂真实任务
Agent必须通过“做梦”来实现递归自我改进，而历史，就是它梦境的世界。递归自我改进（Recursi
基于大语言模型（LLM）的codingAgent，已经能够完成代码生成、仓库级问题修复等任务。然而，
随着大语言模型（LLM）上下文长度不断增加，推理阶段的内存占用和能源消耗正逐渐成为实际部署中的关键瓶
智能体（Agent）的能力并不完全由底层模型决定，负责管理记忆、制定规划、编排工具调用并在失败时触发
世界模型要做到真正支持开放世界交互，难点并不只是生成一段看起来连贯的视频。在复杂环境中，实体、关系、
人形机器人要真正进入为人类设计的环境，行走只是起点。它们还需要完成奔跑、跳跃、翻滚、转身、躲避障碍等
当前，围绕自主LLMAgent的工程实践，已经逐渐形成了一套较为清晰的技术体系：PromptEngi
大语言模型（LLM）正在从文本生成器转向能够浏览网页、修改代码和操作办公软件的智能体（Agent）。
人工智能（AI）正在进入数学研究的核心环节：提出思路、生成证明、形式化验证，甚至尝试解决此前从未公开
在过去数年里，大语言模型（LLM）能力的跃升在很大程度上被归因于规模法则（ScalingLaws）—
AIAgent的有效治理，正面临一个根本性困境：因难以刻画不同AIAgent特有的属性差异及其各自部
欢迎进入生成式基因组设计时代！今天，斯坦福大学带着首个由人工智能（AI）实现的完整噬菌体的基因组设计
过去一年，Auto-Research、自进化AI和递归自我改进成为AI领域最受关注的方向之一。模型已
当前的世界模型（WorldModel）能够预测门会怎么开，却无法正确回答“一个人为什么会拒绝开门”。
提示工程（promptengineering）已成为提升语言模型性能的关键手段。当前的一个共识是：只
近年来，基于视频生成模型的世界模型（WorldModels）已成为人工智能领域备受关注的方向之一。S
在任意Harness中训练Agent，为什么难以实现？目前的难点在于，harness推理通常是有状态
过去，受限于极短的上下文窗口，机器人很快就会遗忘刚刚发生的一切。那么，机器人能不能像当前的大语言模型
刚刚，华裔科学家、哈佛大学教授刘如谦（DavidR.Liu）团队，再发Nature。他们证明，人工智
如何让交互式Agent能像人类一样学会“事后复盘”，更好地处理长程任务？如今，强化学习（RL）已经成
诺奖得主JenniferDoudna团队，再发顶刊Science。他们实现了“超越自然演化”的AI蛋
