从“会聊天”到“会做事”，AI智能体正在经历一场脑启发、自进化、多智能体协作与安全治理的全面革命。
近期，由 MetaGPT、Mila、微软亚洲研究院、Google DeepMind 等机构学者联合撰写的综述 《Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems》 引发行业广泛关注。该报告试图回答一个核心问题：大语言模型（LLM）之后，AI 的下一站是什么？
答案明确指向：Foundation Agents（基础智能体）。
若将 LLM 比作发动机，智能体则是集成了底盘、导航、感知与执行系统的完整交通工具。本文将深度解析该综述的核心框架、专业洞见及未来趋势。
一、为什么 LLM 不是终点？
尽管 LLM 已具备代码生成、翻译及多步推理能力，但其本质仍像“被困在文字世界里的大脑”，存在以下局限：
-
• 缺乏真正的长期记忆； -
• 无法稳定感知真实环境； -
• 难以自主执行复杂行动； -
• 缺乏持续学习与自我进化能力； -
• 无法天然地与其他智能体协作。
因此，综述提出我们需要 Foundation Agents。它并非简单的“LLM + 工具”，而是一个具备感知、认知、行动、记忆、世界模型、情绪、目标、奖励、学习、推理的完整智能系统。
Foundation Agent 被定义为：能在任何环境中主动感知、持续学习、更新内部状态、推理并执行有目的行动，且能与其他智能体协作形成集体智能的自主智能单元。
二、脑启发架构：给 AI 装上“完整大脑”
该综述提出了一个模块化、脑启发的智能体框架，将智能体置于三层结构中：
-
• 社会层：包含环境、智能体及社会系统（法律、市场、文化等）； -
• 环境层：涉及状态、观察、动作与奖励； -
• 智能体层：执行“感知 → 认知 → 行动”循环。
核心循环逻辑如下：
-
1. 环境处于状态 (s_t)； -
2. 智能体感知：(o_t = P(s_t, M_{t-1}))； -
3. 认知更新与动作选择：((M_t, a_t) = C(M_{t-1}, a_{t-1}, o_t))； -
4. 执行动作：(a'_t = E(a_t))； -
5. 环境转移：(s_{t+1} = T(s_t, a'_t))。
其中，认知模块 (M_t) 涵盖记忆、世界模型、情绪、目标及奖励。学习函数负责更新心理状态，推理函数负责产生行动。这一架构借鉴了大脑的模块化与并行协作机制，而非简单照搬。
三、核心组件：智能体的“器官系统”
1. 认知：学习与推理的双螺旋
智能体的学习目标是最小化预测误差，同时平衡经验拟合、行动塑造（探索与信息增益）及复杂度约束。推理过程被统一为“算子-调度器”模式，支持链式思考、树搜索等多种推理结构。
2. 记忆：从便签到图书馆
记忆系统分为感觉记忆、短期/工作记忆及长期记忆（语义、情景、程序等）。当前挑战在于解决向量检索的过载、漂移及灾难性遗忘问题。未来需构建统一的“记忆操作系统”，整合参数记忆、外部缓存及神经记忆网络。
3. 世界模型：脑内沙盘
世界模型使智能体具备预见能力，主要分为隐式范式（如 MuZero）、显式范式（如 Diffusion WM）、模拟器范式及混合/指令驱动范式。它是智能体从“反应式”走向“预见式”的关键。
4. 奖励：智能体的方向盘
奖励机制包括外在奖励、内在奖励（好奇心、胜任感等）及混合分层奖励。设计良好的奖励函数是防止 AI “钻空子”并激发创造力的核心，未来需向动态、可审计方向发展。
5. 情绪：认知调节器
AI 虽无真实情绪，但可模拟“情绪-like 状态”以调节注意力、决策优先级及对话共情能力，是实现情感对齐与自然交互的关键。
6. 感知：从单模态到多模态
感知系统正从单模态向多模态（VLM、VLA 等）演进，挑战在于跨模态对齐、融合瓶颈及实时性。未来感知将是主动且目标导向的。
7. 行动：从说话到做事
行动空间涵盖语言、数字（GUI/App）及物理行动（机器人）。行动系统决定了智能体的上限，使其从“缸中之脑”变为具备实际执行能力的实体。
四、自我进化：智能体如何“自己变强”？
智能体的自我进化主要通过提示优化、工作流优化、工具优化及整体系统优化实现。方法包括在线自我改进（实时反馈、自我反思）、离线自我改进（批量微调）及混合方法。未来智能体将通过优化架构与协作结构实现低成本持续进化。
五、科学发现：智能体的终极试验场
科学发现闭环涵盖假设生成、协议规划、数据分析及自我反思。代表系统包括 AI Scientist、ChemOS 2.0 等。该领域要求智能体全组件在线并能安全闭环迭代，是衡量智能水平的最佳场景。
六、多智能体：从单脑到社会
多智能体系统涉及战略学习、社会仿真及协作任务求解。团队形态包括同质、异质及涌现专业化，拓扑结构灵活多样。协作范式涵盖共识导向、协作学习及任务导向。未来 AI 集体智能将呈现类似人类社会的复杂分工与规范。
七、安全：智能体时代的生死线
内在安全
包括大脑威胁（越狱、提示注入、幻觉、投毒等）及非大脑威胁（感知对抗、供应链攻击、权限滥用等）。
外在安全
涉及智能体与记忆、环境及其他智能体交互中的风险，如 RAG 投毒、物理欺骗、合谋与级联失败。
超对齐与安全缩放
提倡“AI-45 度法则”，即能力与安全同步推进。确立自主复制、武器开发等为红线，强调智能体架构需默认安全、可解释、可审计且可中断。
八、未来展望：智能体的下一站
-
1. 通用智能体：跨领域、跨任务、跨环境； -
2. 持续自进化：训练与测试边界消失，边做边学； -
3. 集体智能网络效应：形成可复制、可协作的智能网络； -
4. 人机协作新范式：更大规模、更跨学科的动态组织； -
5. 安全与治理：从模型安全走向系统与社会安全。
总结
LLM 是发动机，Foundation Agents 是整车；脑启发是设计图，自进化是引擎，多智能体是交通网，安全是刹车和交规。
未来十年，AI 的竞争将从模型参数转向智能体架构、记忆、世界模型、协作协议和安全治理的系统竞争。谁先造出真正具备感知、记忆、推理、行动、协作、自进化且安全的 Foundation Agent，谁就掌握了下一代 AI 的主导权。
报告部分截图
编辑：Zero