搜索
1995年，Michael Wooldridge和Nicholas Jennings在《Intelligent Agents: Theory and Practice》中，将自主性（Autonomy）、交互能力（Social Ability）、反应性（Reactivity）和主动性（Proactiveness）列为智能体的四项基本特征。
AI Agent 能否像研究人员一样，从论文中学习？
近年来，3D 生成模型在几何质量和渲染效果上进步很快。从 Mesh 到 NeRF、3D Gaussian Splatting，生成一个外观完整的三维物体已经不再困难。现有不少 articulated 3D generation 工作，更多关注的是从输入中生成一整套可动 3D 资产，包括物体几何、部件划分以及关节结构。
大家可能知道，我是 AI 搜索的第一批从业者。最早的时候，ChatGPT 里的内置搜索插件是我写的
Personal Agent掀起了硅谷2026年新一轮融资高潮。短短几个月，一批能够替用户自主完成任务的个人智能体接连走红。从Instinct到Grokbot、Caddy、Ollie、Pally，再到Meta推出的Muse与OpenAI发布的Dots，一场消费级 AI 产品的新一轮竞赛正迅速升温。
可能是最擅长「开会」的 AI 硬件。
在AI agents接连越界之后，一场关于AI该走多快、由谁来管的争论。
用 AI 最让人崩溃的瞬间，莫过于你花半天纠正它把任务做对，换个新会话，它转头又踩进同一个坑里。模型做过了事，却没变成它的成长。跑通单次任务之外，它真正缺的是把反馈转化为经验，并在之后主动调用。
如何把屏幕上罗列的实验流程准确变成一连串的实际操作？这个问题直指 AI 科研落地的核心门槛：AI 能够输出可行的实验方案，却很难自主完成整套线下实操。
最近看国内 AI 圈的一些新闻，我真的有点绷不住了。求求了，别再玩「天才娇妻文学」了，雷爆的还不够多吗？