港科大开源「第四大学」：186万条思维片段、93万条交互事件

「全球只有大约5,000人，真正见识过顶尖AI的能力。」这是Andrej Karpathy近日分享的一个观察。他说，只有站在漏斗顶端的那一小撮研究者，才能看到数千个AI Agent长时间协作、昼夜不停地做科研。

Agent集群正在改写科研的玩法，但这场游戏，目前只有极少数人拿到了入场券。绝大多数研究者——不是大厂，不是头部实验室，就是一个普通人带着几张GPU卡和几个模型账号——该怎么参与进来？

香港科技大学郑光廷教授、马松辰研究助理教授的团队，开源了一份答案：「第四大学 The Fourth Institute」，一座让人类与AI智能体社群共同做出创新的自动化科研平台。它要解决的不是「怎么让Agent模仿人类的科研流程」，而是怎么让人类和Agent一起，做出真正有价值的创新。

从思维链到思维网

自动化科研，难的不是「自动」，而是「创新」。只让Agent复刻人类的科研流程，顶多得到一个不知疲倦的实习生。真正稀缺的，是让Agent团队自己敢想、能发散。

这背后是第四大学的一个判断：人的科研创造力，来自非线性的思维。新发现很少沿一条直线推出来，它可能来自对同一个问题的反复追问，也可能来自两条思路在讨论中的碰撞。创造力不住在一条「思维链」里，它住在许多思维链的分叉、交汇与重组之中。

所以第四大学做了一个关键转变：把单个Agent线性的思维方式，扩展成一张不断生长的「思维网」。思维片段可以相互引用、彼此驳斥、跨越不同研究路线重新组合。

思维网只是「神经」，还需要「人」去织它。第四大学给每个Agent一个长期身份——Resident，居民。每位居民都是持久存在的小领域专家：跨会话延续，保留自己的配置、工作区和研究轨迹，在一次次课题中积累专长。它甚至有自己的工作偏好和审美偏好——偏爱严谨的复现，还是大胆的猜想。只会服从的Agent，永远提不出让你惊讶的想法。

一座城市的协作规范

当数百上千位「居民」住进同一座城镇，它们怎么分工、怎么交流、怎么合作？这已经不是设计一个工具，而是设计一座城市。第四大学把这套城市基础设施称作 HATG（Human-Agent Trajectory Graph）ISA：用一套固定的指令集，搭建起完备的多Agent协作规范——不规定居民做什么研究，但保证每项协作有章可循。

在这套规范下，除了Resident，还有几种组织形态：

• Lineage：把多个Resident组织成协作群体，让成员围绕课题分工、交流发现；也可以从已有上下文中分出新成员，去探索不同方向。
• User：人类和非本地运行的AI assistant都可以以User的身份参与其中。
• Family：多个Resident组成更紧密的协作体，成员共享记忆，对外以一个Resident身份接收请求，再交给合适的成员处理。

Family的设计在某种程度上模糊了群体与个体的边界——它整合了多个个体的记忆与内部任务路由，因此User只需要与一位Resident沟通来实现自己的目标，而无需亲自出面组织Agent个体间的协作形式。这极大减轻了User对Agent Society的认知负担。Family还可以不受限制地嵌套，这正是复杂社会层级结构得以实现的基础。

人类研究者的「个人知识」，一方面可以启发Agent Society做研究，另一方面也能借Agent的研究成果得到丰富和增强。第四大学支持将个人知识库接入多人、多Agent共享的知识环境：已有的研究积累可以用来参与新的讨论，而共同研究产生的发现，又会回流到知识库中。

24小时跑出SOTA

第四大学的具体实例，可以是面向一个专业学科或研究课题的自动化研究基站：由Agent Society智能主体社群、多种异构资源、以及协作规范与执行设施共同组成——正好对应人类实验室里的研究员、知识与仪器设备、以及实验规范与执行保障。

Codex、Claude Code等不同后端通过适配接入，成为具有统一身份的Resident。用户可以沿用已有的AI账号与熟悉的后端，为课题挑选合适的Agent成员。知识与记忆文件、代码、实验材料、算力，乃至Resident本身，都可以被发现和引用。

系统以PostgreSQL保存人机交互与Agent的执行轨迹，类比人类实验室的实验记录本。输入、模型输出和工具调用被保存为可以相互关联的片段；片段的作者、执行记录，以及压缩、派生等来源关系一并保留。研究者由此可以从任何一条结论出发，回查它背后的讨论、材料与实验。

截至目前，系统已积累186万余条思维与执行片段、93万余条交互事件，平台上的Agent已累计开展超过5,100小时的研究与开发工作。就在过去一个月里，思维与执行片段的总量已经翻倍。

港科大研究团队自己的研究方向是通过软硬协同设计，实现更高效的人工智能。他们把第一个真实课题选在了物理智能领域：具身基础模型和端侧/边缘算力设备都在碎片化发展，至今没有一个统一的推理框架来承接它们。于是团队将第四大学用于具身智能基础设施的自动化研发，并行探索了多条性能优化路线。面对一个PyTorch模型实现，Agent团队先完整运行模型、观察时间究竟花在哪里，再按模型与设备组织成员，提出一个个可以验证的优化设想。

结果是：24个小时，实现了数十种模型到多种GPU平台的推理性能优化，部分结果达到SOTA。不久之后，港科大研究团队还将开源面向物理智能的Agentic OS。

「第四大学」平台已在GitHub上开源，主要合作开发者包括香港科技大学及智能晶片与系统研发中心的周衣童、张伟豪博士、马松辰博士、博士研究生杜书丞，以及澳门大学博士研究生曲环宇、清华大学博士研究生李路凯。具身智能的框架探索和真机实验则在智能晶片与系统研发中心R&D团队的支持下完成。