Research AI+是一个面向青年研究者的 Global开放社区。致力于打造 AI 4Science/Engineering Researcher Community。我们汇聚了AI 4 Science/Engineering方面的众多优秀学者、科研工作者和产业界研究员、工程师、AI项目开源贡献者。Founder Curation 是社区的一个全新系列——我们希望在噪声巨大的今天，能用社区独特的线索和品味来帮Tech Builders/Founders 精选一批值得看、值得听、值得关注和参与的信息与活动。
Research AI+携手绿洲资本、MiniMax、火山引擎V-START 加速器、Elsewhere，一起为大家呈现专属于 Researcher、Engineer、 Tech Founder和 Passionist的“Agent x 多模态”主题活动——“如果 Agent 拥有五感”。来活动现场跟 Minimax 的多模态技术专家、Agent 视觉方向研究员以及各位 Founder 一起来畅想，如果 Agent 拥有了“五感”，会发生什么变化？
活动时间就在 2026.5.14 19:00-21:00，绿洲办公室（上海星扬中心2707），报名方式见下文。
以下活动信息来源于 绿洲资本：
你可能已经离不开 Agent 了。
你用它写邮件、做数据分析、自动跑完一整条工作流，但跟它所有的交互，都发生在文本框里。它能读、能写、能调 API，但很长一段时间内，它看不见屏幕上的按钮，听不出电话那头的语气，更没法帮你拧开桌上的瓶盖。
这是一个没有感官的智能体，很聪明。不过跟真实世界之间，隔着一层玻璃。
这层玻璃，正在被敲碎。
5 月 14 日 Vital Young 市集再开张，邀请你一起来畅想，如果 Agent 拥有了“五感”，会发生什么变化？
2025 年年底至今，Anthropic 持续迭代 Claude Computer Use 功能，截屏、识别界面上的按钮、移动鼠标、点击，像人一样操作电脑；OpenAI 的 Operator 和 Google 的 Project Mariner 紧跟着做了类似的业务探索。学术界的验证也络绎不绝，过去一年围绕 GUI Agent 的论文数量激增，任务成功率从不到 20% 一路拉到接近 50%。
Agent 可以 “看见” 了。
不止于视觉，2026 年，Voice Agent 集中爆发，端到端语音延迟被压到 300ms 以内——这意味着 Agent 的反应速度已经可以接近人类了；Gemini 等模型开始处理原生音频流，不用转成文字，而是直接听懂、理解。
视觉、听觉之后，下一步会发生什么？跨模态理解、数字味觉建模、空间范围感知……
这些方向有一个共同点：它们都在给 Agent “装感官”。
人类从不只靠文字工作，我们看图纸、听语气、读表情、感受空间。我们做决策时调用的信息，远比一段 Prompt 、命令行承载得丰富许多。一个只活在文本里的 Agent，永远无法与现实世界对齐。如果我们希望 Agent 能够真正进入现实场景，与人协作、替人决策、甚至独立行动，那么它必须像人一样，拥有多模态。
这是本期 Vital Young 想邀请大家一起来探讨的问题。
当 Agent 拥有视觉，它能理解什么？当它拥有听觉，它能感知什么？当它能操控界面、进入物理环境，它又能做到什么？当五感齐备，什么样的场景会被重新定义？
我们与 MiniMax、火山引擎 V-START 加速器、Elsewhere、Research AI+ 等多个组织合作，没有答案预设，只想找到那些对 Agent x 多模态好奇的人：无论你是带着 Paper 的 Researcher、借场子测试 Demo 的创业者、还是对相关方向感兴趣的独立开发……带上你的原型、你的假设、甚至只有你的问题，一起来赶集！
扫码报名👇
点击下方关注我们