从“能干活”到“自进化”，WAIC上智能体开启新纪元

21世纪经济报道记者 孙燕

2026年的盛夏，世界人工智能大会的展馆内热度依旧。今年空气中多了一股务实的焦虑——如何让AI不仅是“能干活”的工具，而且是“越用越强”的助手？

记者在WAIC现场观察到，从通用到专用，从云端到终端，多家厂商展示了自进化技术布局：百度展出了自主进化的视觉智能体平台；南方电网的配电网规划智能体构建了基于专用场景的“仿真进化”闭环；具识智能的具身语义智能体系统，则旨在让机器人持续进化。 

从“会说”到“会做”，人类对于AI的期待，正趋向“越做越好”。

中数睿智创始人、董事长韩涵告诉21世纪经济报道记者，传统AI系统一旦训练完成就很难更新，而企业的业务知识是持续迭代的。“未来Agent在业务场景遍地开花的关键在于系统是否具备自进化能力。” 

“目前主要还是依靠基础的数据治理，以及‘AI for AI’去改进和提升模型，还有更多地引入AI来提升模型训练速度。这与‘自进化’是有区别的。”面壁智能CEO李大海在接受21世纪经济报道等媒体采访时表示，真正的自进化是指模型自己知道该如何成长。“这个方向还非常前沿。”

多路径进化

今年以来，Hermes将开源智能体的技术焦点从“能否执行任务”推进至“能否在执行中持续学习与进化”。

复旦大学教授肖仰华提出，自进化智能体的重要标志之一，是相似任务执行到多轮后token消耗显著下降，说明系统真正沉淀了经验并形成能力复用。

记者在WAIC现场观察到，业内关于智能体的自进化路径已衍生出多种思路，其一是从数据出发，形成智能体进化飞轮。

与爱为舞联合创始人、技术负责人王琳告诉21世纪经济报道记者，爱学AI学习智能体建立了两个相互咬合的数据飞轮，把“持续进化”工程化为可控、可量化的双轨体系，让智能体在仿真与真实两个场景中不断获得“反思—更新”的能力。

具体而言，仿真系统与离线小飞轮让爱学大模型在仿真环境里针对各类学生反复演练、评估，提前覆盖长尾场景并利用回流结果在上线前解决潜在问题；在线真实飞轮则实时捕获真实学生交互与行为信号，通过沉淀优秀案例Skill和归因优化Bad case，经沙箱安全校验后实现模型的快速进化。

ABB集团高级副总裁、机器人中国区总裁韩晨也告诉记者，智能体的自循环与自学习本质上是数据流的闭环。在数据流的基础上，还可以引入“物理流”，即机器人在执行物理动作的过程中产生全新数据，并实时反馈回系统。通过数据流与物理流的交织，形成了一个完整的闭环。这正是“飞轮”的精髓所在——一旦转动起来，系统便能实现持续的自进化。

如果说数据飞轮解决的是“进化动力”的问题，另一种途径则通过因果推理，解决的是“进化方向”的问题。

以高精度制造场景为例，韩涵告诉记者，通过因果推演，AI可以模拟“如果调整某个工艺参数会怎样”，进行停机或延误决策和级联行动触发，从而在坚守安全合规红线的前提下，实现高精度制造的自适应优化。

“在Agent‘自进化’过程中，因果推理扮演了‘认知引擎’和‘校验闭环’的角色。”韩涵指出，一方面，其动态本体支持新知识快速融入、旧知识平滑更新，业务人员可以直接在界面上修改规则，几分钟内生效，无需重新训练模型，这让Agent的认知能力始终跟上业务变化。另一方面，基于本体的反事实推理，Agent能够在企业真实业务语义约束下，对尚未发生的操作进行因果链模拟与评估，在数据沙盒中验证决策逻辑，量化风险置信度。“这种‘推理—验证—执行—反馈—更新’的闭环，就是Agent自我进化的核心机制。”

或在行业场景率先落地

从“执行—反思—沉淀—复用—优化”的自进化闭环来看，智能体自进化或率先在封闭性强、反馈明确、试错成本相对较低且数据丰富度高的“沙盒化”场景中落地。

以百度自我演化决策智能体“伐谋”为例，其已在物流供应链调度、零售销量预测、制造工艺优化、汽车风阻预测等行业场景中形成真实应用并创造可量化价值。 

需要高频迭代、个性化路径、长期经验沉淀的C端场景也具有落地前景。

王琳告诉记者，教育将是自进化智能体最先规模化跑通的场景之一。一方面，反馈信号清晰且闭环完整。学习效果可量化——做对做错、掌握没掌握、进步还是退步，都有明确的反馈信号，这给自进化飞轮提供了高质量的数据。很多场景的反馈是模糊的、延迟的，但教育场景每一次互动都有明确结果，飞轮转得起来。

另一方面，标准化程度高，且个性化需求强。学科知识体系是结构化的，教学目标相对明确，适合用系统能力来承接；同时每个学生的基础、节奏、易错点都不一样，恰好是AI个性化的优势所在。标准化底座、个性化输出，这个组合非常适合自进化智能体发挥作用。

长远来看，李大海认为，自进化在端侧更具意义。为了追求越来越强的能力，大模型倾向于把全人类所有的数据和知识都汇聚起来。但社会是由大大小小的组织和个人组成的，需要尊重每个组织、个人的私有数据和信息。“如何平衡这两者？我们认为，端侧模型的自进化能够完美解决这个问题。”

他认为，可以基于组织机构内部不希望公开的数据，让模型在此基础上进行进化，从而形成更好的表现。“这样一来，模型就能像人一样，从能力相当的大学生起步，进入岗位后不断成长，变成该领域的专家——这才是组织真正需要的。而不是把自己的所有信息都喂给大模型，让大模型变得更强后，反而把自己给取代掉了。”

当更多企业开始把AI应用于关键流程，智能体的竞争重心正在从“能不能干活”转向“能不能在真实环境中越用越好”。这场关于“进化”的比赛，才刚刚开始。