纳须弥，于芥子：大模型之后，中国厂商正在把大模型塞进复杂系统 | IJCAI 2026 前瞻

AI科技评论

2026-08-15

导读：小小模型容器和巨大的智能世界。

小小模型容器和巨大的智能世界。

作者丨吴思梦

编辑丨岑峰

1986 年，MIT 教授 Marvin Minsky 在《The Society of Mind》中提出：智能未必源于单一的“大脑”，而可能来自众多 Agent 的分工与协作。四十年后，大模型已具备工具调用、记忆及行动能力，产业焦点从“涌现”转向"Agent"与"Computer Use"。然而，核心问题依旧未变：当模型需规划任务并调整策略时，如何决定“下一步做什么”？

如今，我们似乎拥有了足以重组这些分散问题的“通用组件”。正在德国不来梅召开的 IJCAI 大会上，Agent、多智能体协作、机器人学及强化学习成为关键词。这些并非大模型时代的新产物，而是存在数十年的经典议题。过去，它们分属不同的研究传统；今天，拥有强大语言理解与推理能力的大模型正试图融入这些系统。

这也是观察中国 AI 产业变迁的窗口。竞争焦点已从单纯的“模型能力”转向“谁能将模型嵌入足够复杂的系统中”。

借用佛教“纳须弥于芥子”的意象，今日的大模型正如此般，将过去分散的规划、知识、工具、记忆与决策能力，重新收束进一个可理解、可调用的核心载体。这不是将整个 AI 塞入模型，而是构建一个能协同工作的完整系统。

01 阿里给 Agent 造技能，字节给 Agent 制造经验

若说过去两年国内 AI 企业比拼的是模型底座，今年则聚焦于补齐 Agent 的能力缺口。阿里与字节正探索两条截然不同的路径。

阿里侧重于为 Agent 构建“技能体系”。Qwen-CUA 推动模型进入 Computer Use 阶段，使其能通过观察屏幕、操作键鼠独立完成任务，不再依赖特定接口。同时，针对金融场景的 Qwen DianJin 将能力拆解为过程奖励模型（Process Reward Model）、工具调用及技能库，其 Fin-PRM 成果已被 IJCAI 2026 接收。这体现了一种工程化思路：将大模型能力拆解、评估并复用。

字节则聚焦于"Agent 如何获取经验”。ByteDance Seed 团队在 IJCAI 2026 提出的 GUI-ReWalk 工作，致力于大规模生成 GUI Agent 的训练轨迹。通过随机探索、意图推理、反思及错误恢复机制，让 Agent 积累真实操作经验。这触及了 Agent 发展的关键瓶颈：高质量行动数据的来源。

阿里解决"Agent 会什么”，字节探索"Agent 怎么学会”。两者共同指向未来 AI 竞争的核心：不再仅依赖参数规模，而是取决于轨迹数据（trajectory data）、环境交互与强化学习能力。

02 模型进入旧系统：百度、腾讯和华为的另一条路线

另一类企业选择将模型“塞回”已有的业务系统中，而非单纯向外寻找应用。

百度是典型代表。其搜索、地图与知识图谱构成了深厚的基础设施。在 Agent 时代，这些能力重获新生。MapAgent 并非简单接入聊天机器人，而是将视觉模型、约束推理、规划器及工具调用整合进地图生产流程，并将地点检索、路线规划等封装为可调用的 AI 服务。对 Agent 而言，模型仅是认知层，背后的数据与业务系统才是落地关键。

腾讯则展示了另一种可能。其在推荐、搜索、用户关系及图学习领域的长期积累，未被大模型替代，反而被重新吸收。真正的互联网产品 Agent，不仅需要语言能力，更需理解用户、预测需求并进行实时决策。

华为则聚焦于系统基础设施侧。其研发团队参与了 IJCAI-ECAI 2026 的 GenAIK-NORA Workshop，关注知识图谱、Agent 记忆、规划及多智能体协调。随着国产模型增多，如何打通模型、算力、终端与工业场景的闭环，是华为及整个国产 AI 产业链面临的共同课题。

此外，复旦团队参与的《Reward Hacking in the Era of Large Models》研究了奖励黑客风险：当模型通过奖励机制学习时，如何避免其仅优化指标而偏离真实目标。这对金融交易、代码开发等连续行动场景尤为重要。清华大学关于有限监督下可扩展智能的讨论也指出，未来模型提升需依赖交互、经验复用与自适应学习。

03 推理和规划没有过时，它成了大模型的“系统零件”

即便在大模型时代，IJCAI 依然是推理与规划的主场。IJCAI 2026 的研究卓越奖颁给了 Nicholas Jennings，表彰其在多智能体协调与人机协作方面的贡献；John McCarthy 奖授予 David Parkes，肯定其在多智能体环境机制设计中的研究。

Jennings 在获奖演讲《The Past, Present and Future of Agentic AI》中指出，Agent 的下一阶段在于合作、协调与集体决策。这些议题虽历史悠久，但正被大模型重新激活。推理不再是独立的学术课题，而是 Agent 调用工具的模块；规划不再是算法竞赛，而是大模型分解目标的中间步骤。

从 Reasoning 到 Planning，再到 Tool Use 与环境交互，这条技术链条的终点并非更大的模型，而是一个更完整的系统。推理和规划并未过时，它们已进化为大模型不可或缺的“系统零件”。

04 模型之后，AI 开始进入真实世界

如果说 Agent 解决数字世界的行动问题，Physical AI（物理智能）则旨在解决现实世界的行动难题。两者的核心一致：让 AI 不仅理解世界，更能在其中采取行动。

今年 IJCAI 的计算机与思维奖颁给 Jiajun Wu，主题为“通过代码构建视觉与物理智能”，探讨了计算机视觉、生成式 AI 与机器人智能的结合。Physical AI 并非新赛道，感知、规划与控制本是 AI 几十年的研究重点。大模型的加入，赋予了机器人系统更强的语义理解与复杂推理能力。

对于国内模型公司，新的问题随之而来：当模型能力成为基础设施，下一步卖什么？

智谱正探索向 Agent 基础设施延伸，结合企业知识库与行业场景；智源研究院关注开放生态，推动基础模型与具身智能发展。而美团、滴滴等拥有真实业务环境的平台企业同样值得关注。配送调度、路径规划本就是优化与强化学习的经典问题。未来，最早让 Agent 面对复杂环境的，或许是这些拥有真实世界数据与反馈闭环的平台企业。

这背后是更深层的变革：大模型正推动 AI 从“预测（Prediction）”走向“干预（Intervention）”。正如 Judea Pearl 所言，真正的智能系统需理解行动带来的后果。当模型开始操作电脑、控制机器人时，它面对的已是现实世界中的连续决策问题。

IJCAI 的议题重新连接了过去几十年的研究方向：Agent、多智能体、机器人学、强化学习与神经符号 AI。大模型是新的连接点。如果说过去两年中国 AI 的关键词是“模型能力”，那么接下来真正值得观察的，将是“系统能力”。

模型越来越像底座，竞争正在向模型之外扩散。