工业圈和学术圈“唱反调”
你敢相信么，现在的AI，已经把 “横店” 给直接搞到了线上了！
△图片由AI生成
以后啊，人要进横店拍戏，可能就会出现两种方式了。
一种是像以前一样，本人肉身进剧组；另一种，则变成了坐在电脑前，进入线上虚拟片场，在数字化的影棚中调度人物、道具和摄像机，完成影视创作。
这便是在阿里 硬核少年技术节5.0 博见社 北京工业场 中，群核科技所分享出来的颇为有趣的案例。
据介绍，相关团队将横店的部分线下片场扫描、重建，并放到线上作为3D影视基地，创作者可以直接进入这些虚拟片场，使用数字化影棚进行内容生产。
毕竟之前我们还在聊的是AI生成视频，而现在，它已经开始把真实片场搬进电脑了。
不过更有意思的，还在后面。
今年，硬核少年技术节旗下的博见社首次设置了两场对话。一场是我们刚才提到的 北京工业场 ，它的主题是 “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产业实践。
而 杭州学术场 ，则联合CCF人工智能与模式识别专业委员会，邀请来自清华大学、南京大学、上海交通大学、天津大学、山东大学和上海人工智能实验室等机构的学者，讨论 “从生成式AI到智能体进化” 。
从北京这边的分享来看，AI已经开始进片场、组团队、搭建三维世界；但当麦克风给到杭州那边，却有人站出来“唱反调”。
在杭州场的圆桌讨论中，有人用电力革命类比今天的Agent：
当前的Agent大概只 相当于电灯泡刚刚被发明出来 ，确实比蜡烛好了一些，但电力后来催生的电网、电机、家用电器，以及一系列过去从未出现过的新事物，我们今天还没有真正看到。
△硬核少年技术节5.0博见社杭州学术场
相隔一千公里的北京和杭州、工业圈和学术圈，怎么会对Agent的观点如此南辕北辙？
△图片由AI生成
杭州学术场：Agent发展像电灯泡
我们先来看下杭州学术场这边。
在正式进入讨论之前，南京大学教授 高阳 在致辞中提到，从早期的逻辑智能体、强化学习智能体，到今天的大模型智能体，AI正在把曾经的哲学设想一步步带入工程现实。智能体在底层能力、工程框架、可靠性与安全性上还有许多问题没有答案。此次博见社让学术前沿与产业真问题相遇，共同寻找智能体的下一步。
而从现场来看，与会嘉宾们首先针对一个非常现实的问题展开了讨论——
Agent究竟发展到哪一步了？
对于这个问题，有一说一，嘉宾们其实没有给出统一的答案。毕竟今天大家口中的Agent，本身就包含了完全不同的形态；如果观察维度不同，得到的判断自然也会不同。
比如从应用能力看，天津大学教授、国家优青 郝建业 认为， Coding Agent 已经很难再被简单划入初期。原因是，它们已经能够接手相当一部分过去由程序员完成的具体工作，这种替代并不只存在于演示视频里，而是在真实业务中逐渐发生。
△天津大学教授、国家优青，郝建业
但如果把视角转向底层技术，郝建业给出的判断又会谨慎许多：
今天Agent能力的提升，仍然高度依赖基座模型；至于agent架构设计的很多思想理念比如MAS、Loop Engineering等概念，学术界其实早已研究多年。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，终于获得了进入大规模应用的机会
换成 具身智能 ，进度条又要往回拉。
机器人进入现实世界后，需要同时处理视觉、空间、物体、动作以及环境中的各种突发变化。实验室里完成一次流畅演示，与进入工厂、家庭后长期稳定工作，完全是两个难度等级。
再往前一步，真正能够像人和动物一样，在 开放世界 里不断学习、自己发现问题、自己设置目标的Agent，甚至被现场嘉宾判断为处在“比初期更早”的位置。
这种Agent目前缺乏成熟的理论和方法。持续学习过程中，还会遇到灾难性遗忘、模型可塑性不足等问题。换句话说，模型可能学会了新的东西，却把旧能力忘掉；即便持续给它新的经验，它也未必能够无限吸收。
这么看下来，Agent并没有一条统一的进度条。
在代码、检索等数字空间中，它已经能够完成一些相当复杂的工作；到了现实世界，稳定性和泛化能力立刻成为难题；至于持续自主学习，很多最基础的问题还没有答案。
在发展阶段之外，现场的第二个争论更加尖锐：
从生成式AI走到Agent，究竟是量变，还是质变？
多数嘉宾的判断偏向量变。
在他们看来，今天Agent能够执行更长的任务，主要得益于基模能力增强、上下文窗口变长、工具调用更加稳定，以及Harness持续优化。能力确实在提升，但底层技术范式还没有发生明显变化。
真正的质变，应该发生在Agent能够突破基座模型原有能力上限之后。
与会嘉宾对此给出了比较清晰的标准：
Agent要能够判断自己的结果是否正确，发现问题后主动修正，并将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，走向真正的自主学习。
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主要负责回答问题，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”，无论底层技术是否发生范式变化，用户感受到的产品形态确实已经不同。
上海人工智能实验室青年研究员 张航帆 ，则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临界点时，用户的体验会突然发生改变。
比如一项任务，过去执行一百次只能成功一次，现在一百次只失败五次。站在技术演进角度看，这是持续量变；站在用户角度看，它已经从“不可用”变成了“可以交给它做”，这当然可以被理解为质变。
△上海人工智能实验室青年研究员，张航帆
顺着这个逻辑，现场的第三个问题也就自然出现了：
Agent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，刚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，记忆让它能够把一次任务中的经验带到下一次任务，而安全则决定它能否进入生产系统，承担真正有风险的工作。
所以在郝建业看来，Agent的价值并不只体现在单次生成能力上，更重要的是，它能否持续调用工具、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 ，则把问题放进了持续强化学习。
△上海交通大学人工智能学院长聘教轨副教授，温颖
人工提供的高质量数据总会遇到上限，模型要继续进步，就需要形成“生成—评估—训练”的循环：自己产生新的经验，再从中筛选有效部分，用于下一轮更新。
但大语言环境与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，而在大语言模型里，同一套参数可能同时参与行动、推理和评价。策略、环境模型和验证器彼此耦合，任何一处更新都有可能影响其他环节，训练自然也更容易产生波动。
清华大学智能产业研究院副研究员 周浩 ，则把大规模Agent系统所需的能力归纳成三项：
第一是低时延基座模型，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。
△清华大学智能产业研究院副研究员，周浩
张航帆 关注的，则是最近越来越频繁出现在Agent领域的另一个词——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、管理上下文、调用工具，并根据环境反馈调整接下来的动作。
如果把基座模型看作一个聪明的大脑，Harness更像负责组织工作的执行系统。没有这套系统，Agent可能知道很多，却很难稳定完成一项持续数小时甚至数天的复杂任务。
而张航帆进一步研究的Self-Harness，则是希望Agent能够自动诊断和优化自己的运行框架。也就是说，未来Agent不仅要完成任务，还要逐渐学会改进自己完成任务的方式。
把这些问题放到一起，会发现杭州学术场真正关心的，已经超出了“Agent能不能干活”。
它还要知道自己干得对不对，哪里出了问题；一次任务结束后，哪些经验值得保留，哪些能力应该更新；更进一步，它要能够把执行过程产生的反馈，转化成下一轮能力增长。
这才是所说的“电灯泡”背后， 尚未完全建成的电网 。
点亮一盏灯，并不等于电力革命已经完成；长期供电、稳定运行，并将电力接入无数生产和生活场景，需要的是一整套系统。
北京这边，已经开始给AI搭建真实世界
如果说杭州学术场讨论的是Agent距离最终形态还缺哪些底层能力，那么北京工业场关心的，就是现有能力如何先进入真实生产。
所以这里的问题要具体得多。
比如一段视频到底能不能交付、人物会不会突然变脸、商品颜色会不会跑偏、AI做出来的东西最后到底有没有人愿意买单等等。
虎鲸文娱集团CTO 杜颜龙 ，先从文娱的本质谈起。
在他看来，小说用文字构建世界，影视用镜头构建世界，游戏用代码构建世界，演唱会则用现场构建世界。媒介不同，但最终目的都指向同一件事：让观众相信这个世界、进入这个世界，并在其中产生情绪和共鸣。
过去一百多年，影视行业用一整套工业流水线构建这个世界，并孜孜以求解决三个核心问题：成本、周期和品质。AI出现后，这套构建世界的方式迎来了系统性重写。而AI的价值，最终也要落到这三个核心问题上来回答。
首先被提及的自然是成本和周期，但在杜颜龙看来，影视行业真正难啃的骨头，依旧是品质。降本增效不是目的，在越来越多的观看场景里以极致的视听语言讲好一个故事，才是行业真正的目标。
一条Prompt生成几秒钟的惊艳画面，和完成一部真正能让观众坐下来看的影视作品，中间还隔着编剧、美术、导演、拍摄、剪辑和声音设计等大量专业环节。
古装人物的对白需要符合时代语感，服装造型需要考虑人物身份、地域和场合；画面要有构图、材质和光影，镜头运动还要服务故事节奏。
AI不仅要能生成内容，还要理解什么样的故事成立、什么样的画面高级，以及什么样的镜头能够让观众进入剧情。杜颜龙因此把影视品质拆成了三类审美：编剧审美、美术审美和导演审美。
△虎鲸文娱集团CTO，杜颜龙
沿着这个判断，虎鲸文娱给出了三个面向未来的观点。
首先，AI不会取代真人。真人演员、导演和创作者依旧会参与影视内容生产，AI更可能与他们形成新的协作关系。在生产过程和内容交付上，人和AI的关系都值得研究。
其次，AI一定会重写影视生产流程。只靠一个通用模型、一句话生成影视精品，在可见时间里仍然不现实；真正的产业落地，需要完整的模型、工具和生产技术栈，并把它们接进已有的影视流程。
最后，当内容供给因AI而大幅增加后，精品内容会变得更加稀缺。那时真正值钱的，可能不再是“能不能生成”，而是“什么值得被生成”。
这种价值转移，在美图公司技术副总裁兼美图影像研究院负责人 刘洛麒 的分享中，也有类似体现。
刘洛麒先提出了一个现实问题：模型能力已经很强，但从一款强模型到普通用户低门槛使用，中间仍然存在巨大的产品鸿沟。
过去做软件，通常围绕功能展开。功能越做越多，入口、菜单和参数也随之增加，用户需要自己判断该用什么工具、怎样组合这些工具。
Agent出现后，这套逻辑开始改变。越来越多的功能被藏到Agent后面，用户只需要表达目标，系统负责理解意图、拆解任务，并决定调用哪些模型和工具。
刘洛麒将这种变化总结为，从功能堆叠走向智能决策，从交付功能走向交付成果。
△美图公司技术副总裁兼美图影像研究院（MT Lab）负责人，刘洛麒
但美图很快发现，单个Agent依然难以完成复杂任务。
原因在于，真实创作通常包含多个目标，而且每个目标都有自己的上下文。把所有事情都交给同一个Agent，它很容易顾此失彼。