工业圈：Agent已能构建虚拟世界；学术圈：仅算电灯泡刚发明

你敢相信么，现在的AI，已经把“横店”直接搬上线了。以后进横店拍戏，可能就分两条路：要么像过去一样肉身进组，要么坐在电脑前，进入一个线上虚拟片场，在数字化的影棚里调度人物、道具和摄像机，完成整套影视创作。

这是阿里硬核少年技术节5.0博见社北京工业场上，群核科技分享的一个案例。团队把横店部分线下片场扫描、重建后放到线上，做成3D影视基地，创作者可以直接进入这些虚拟片场进行内容生产。过去我们还在聊AI生成视频，现在它已经开始把真实片场整个搬进电脑。

今年的博见社第一次分设两场对话。北京工业场的主题是“AI下一站：从生成内容到构建世界”，虎鲸文娱、美图、群核科技等企业带来了AI的产业实践。而杭州学术场联手CCF人工智能与模式识别专委会，邀请了清华、南大、上交、天大、山大和上海人工智能实验室的学者，讨论“从生成式AI到智能体进化”。

从北京这边的分享看，AI已经在进片场、组团队、搭建三维世界了。但麦克风给到杭州那边时，却有人站出来“唱反调”。在杭州场的圆桌讨论中，有人用电力的发明史来类比今天的智能体：

当前的Agent大概只相当于电灯泡刚被发明出来时的样子，确实比蜡烛强了一些，但电灯泡之后催生出的电网、电机、家用电器，以及大量此前从未见过的新东西，我们今天还没真正看见。

相隔一千公里的两个会场，工业圈和学术圈，对Agent的判断为什么如此南辕北辙？

杭州学术场的讨论是从一个非常务实的问题展开的——Agent到底走到哪一步了？

与会嘉宾们没有给出一个统一的答案。今天大家口中的Agent本身就包含了完全不同的形态，观测的维度不同，得到的判断自然也就不同。

如果从应用能力来看，天津大学教授、国家优青郝建业认为，Coding Agent已经很难再被简单看成“初期阶段”。它们已经能接手相当一部分过去由程序员完成的具体工作，并且这种替代不只在演示视频里出现，而是在真实业务中逐渐发生。

但把视角转向底层技术，郝建业的判断又会谨慎很多：今天Agent能力的提升，仍然高度依赖基座模型。至于多智能体系统、Loop Engineering这些Agent架构的设计思想，学术界其实已经研究了很多年。只不过在强基模出现以后，这些过去无法发挥性能的技术路线，终于得到了大规模应用的机会。

换成具身智能，进度条又得往回拉很多。机器人进入现实世界后，要同时处理视觉、空间、物体、动作以及环境里的各种突发变化。在实验室里完成一次流畅演示，和进入工厂、家庭后长期稳定工作，完全是两个难度等级。

再往前一步，那种能像人和动物一样，在开放世界里不断学习、自己发现问题、自己设置目标的Agent，现场嘉宾甚至判断它处在“比初期更早”的位置。这类Agent目前还缺乏成熟的理论和方法。持续学习过程中，会碰到灾难性遗忘、模型可塑性不足等问题——模型可能学会了新东西，却把旧能力忘掉了；即便持续给它新的经验，也未必能无限吸收。

这么看下来，Agent并没有一条统一的进度条。在代码、检索这类数字空间里，它已经能完成一些相当复杂的任务；到了现实世界，稳定性和泛化能力立刻变成难题；至于持续自主学习，很多最基础的问题还没有答案。

紧随其后的第二个争论更加尖锐：从生成式AI走到Agent，到底是量变，还是质变？

多数嘉宾的判断偏向量变。在他们看来，今天Agent能执行更长的任务，主要靠的是基座模型能力增强、上下文窗口变长、工具调用更加稳定，以及Harness的持续优化。能力确实在往上走，但底层技术范式还没有发生明显变化。

真正的质变，也许要到Agent能够突破基座模型原有能力上限之后才会出现。与会嘉宾对此给出了一条比较清晰的标准：Agent要能判断自己的结果对不对，发现问题后主动修正，并把任务执行过程中产生的经验沉淀下来，形成自我进化。只有跨过这一步，它才算从依赖人类数据和预设流程，真正走向自主学习。

不过，山东大学教授韩忠义从产品形态出发，给出了另一种观察。过去的生成式AI主要是回答问题，而Agent已经开始规划任务、调用工具，甚至直接替人完成工作。从“告诉你该怎么做”，走到“它自己动手去做”，无论底层技术有没有发生范式变化，用户感受到的产品形态确实已经不同了。

上海人工智能实验室青年研究员张航帆把这两种观点接到了一起。在他看来，技术进步通常是一小步一小步积累起来的，很难在某个精确时间点突然发生指数级跃迁。可当一项能力的成功率跨过某个临界点时，用户的体验就会突然发生改变。比方说，一项任务过去执行一百次只能成功一次，现在一百次只失败五次。站在技术演进的角度看，这仍然是持续的量变；可站在用户的角度看，它已经从“不可用”变成了“可以交给它做”，这种变化当然也可以被理解成质变。

顺着这个逻辑，现场第三个问题自然浮现出来：Agent要想真正获得自我进化能力，到底还缺什么？

杭州场的四场主题报告恰好从不同角度拼出了答案。

郝建业关注的是工具调用、长期任务、记忆和安全。工具让Agent从聊天框进入真实环境，记忆让它能把一次任务中的经验带到下一次任务里，而安全则决定它能不能进入生产系统，承担真正有风险的工作。在郝建业看来，Agent的价值不光体现在单次生成能力上，更重要的是，它能不能持续调用工具、沉淀经验，并在安全边界内完成长时间协作。

上海交通大学人工智能学院长聘教轨副教授温颖把问题放进了持续强化学习里。人工提供的高质量数据总会碰到上限，模型要继续进步，就必须形成“生成—评估—训练”的循环：自己产生新的经验，再从里面筛选出有效部分，用于下一轮更新。但大语言环境下的强化学习跟传统强化学习有一个明显区别。传统强化学习通常把策略、环境和评价信号分开处理，而大语言模型里，同一套参数可能同时参与行动、推理和评价。策略、环境模型和验证器相互耦合，任何一处更新都有可能影响其他环节，训练自然也就更容易产生波动。

清华大学智能产业研究院副研究员周浩把大规模Agent系统所需的能力归纳成三项：第一是低时延基座模型，用来支撑高频搜索、决策和执行；第二是自演化强化学习，让Agent可以根据反馈持续优化；第三是可学习的长程记忆，让它在跨上下文、跨任务时维持状态，形成长期协作。

张航帆关注的则是最近在Agent领域越来越频繁出现的一个词——Harness。通俗理解，Harness是一套围绕大模型搭建的任务执行框架。它负责理解目标、拆解任务、管理