由中国互联网协会主办的2025“人工智能+”产业生态大会上，模速空间入驻企业衔远科技 CTO 张开颜以《衔远大观：基于强化学习的专家级智能体进化平台》为题，分享了他对于智能体技术创新与行业趋势的洞察，并介绍了基于强化学习的专家级智能体进化平台——衔远大观的核心技术、产品创新及应用落地。
张开颜表示，我们希望“衔远大观”成为各行各业专家级智能体的“数字风洞”，帮助企业跨越通用智能体的“实习生困境”，打造从“演示可期”迈向“实战可靠”的专家级 Agent。
通用智能体的“实习生困境”
衔远发现，解决行业长尾问题的边际成本，正在呈指数级上升。目前的通用 Agent，就像是一个名校毕业的“高智商实习生”。
⬇ ⬇ ⬇
根本原因在于：基础模型被“困”在了数学、代码和通用的文本环境中。它们从海量预训练语料中学会了专家的“台词”，却不懂业务背后的“逻辑与因果”。它们缺乏在真实业务环境中的经验学习，这也是目前通用基础模型面临的最大天花板。
“通专融合”的技术路径
通过多个阶段的 Scaling Law，大模型的通用泛化能力确实在显著提升，但专业性依然不足。反观历史上达到专家级别的专业 AI，无一不是在特定的专业场景中进行了海量的自我博弈与强化学习。当然，过去这种成本是极高的。
上海人工智能实验室主任、衔远科技创始人周伯文教授，早在三年前就预判了这一瓶颈，并提出了“通专融合”的技术路径：
1.基础模型层：
需要全新的模型架构设计，实现“知识”与“推理”的解耦。对于应用层创业公司来说，我们更关注接下来的第2和第3层。
2.融合协同层：
我们需要实现通用模型与专业知识、专业工具的深度协同推理。
3.探索进化层：
这是最关键的一层。大模型必须在环境中进行交互，通过探索和反馈不断提升专业能力。通过在大量专业环境中的经验学习，最终反哺通用能力的提升。
AI的下半场：“经验学习”
事实上，今年以来“通专融合”已不再只是衔远的预测，而是正在成为国际行业的共识。
诺奖得主 DeepMind 创始人 Demis Hassabis 在5月份明确表示，DeepMind 目前的重心全在“通用+专业”的结合上。
而强化学习之父 Rich Sutton 在4月份说得更直接：AI 发展的“上半场”是从人类标注数据中学习知识，而“下半场”则是“经验学习”。
对于智能体应用而言，现在的关键点已经从模型架构和训练算法，转移到现实世界的任务定义与评估体系重构。只有这样，才能支持专家智能体的能力进化。
衔远大观：
专家级智能体进化平台
对于上述问题，衔远科技给出的解法便是“衔远大观”。它不是一个简单的 Agent 编排工具，而是一个进化引擎。
进化公式
在这里，通用模型只提供“底座智力”。真正的壁垒，在于中间这一项——“环境”。没有环境，强化学习就没有 Reward（奖励信号），模型就无法进化。 我们不只是在写 Prompt，而是在构建一个能让 Agent “摔跟头”的虚拟世界。
重要意义
更进一步，衔远发现了一个有趣的现象：当不同智能体的训练环境叠加时，跨领域任务的强化学习不仅不会降低效率，反而能通过迁移学习，极大地促进专业能力的提升。
这正是通专融合的根本价值所在：衔远大观不仅实现了广度的平台化，更实现了深度的专业价值挖掘。
三大内核
自研“衔远大观”包含三大核心技术内核：
智能体的“模拟训练场”
衔远不仅提供一个静态的考场，还可以赋予其动态的宇宙。如果完全依赖真实历史数据，我们永远无法覆盖那些罕见但致命的“黑天鹅”场景。
✦
因此，利用程序化规则，合成出海量的、现实中极少发生的边缘案例。为了解决外部工具调用不稳定的问题，我们引入了生成式世界模型（World Model）来模拟环境反馈。
✦
更重要的是，这个环境具备“Curriculum Learning（课程学习）”能力。就像游戏设计一样，它会根据 AI 当前的水平，自适应地调整难度。AI 只有通关了简单模式，才能进入困难模式。
“接近专家水准的反馈机制”
传统的强化学习往往只提供最终结果，这对于长链条的复杂任务来说，信号过于稀疏。就像学高数，老师只告诉你期末挂科了，却不说错哪一步，学生永远学不会。
✦
“大观”引入了“过程奖励”，对于数学、物理等精确的专业领域，采用类似 DeepSeek R1 的思路，将指标映射为可验证的规则奖励；对于复杂的物理世界，用动力学公式进行程序化验证。
✦
甚至，衔远赋予了 AI “好奇心”。团队今年和清华大学首次提出了 TTRL（测试时强化学习算法），引入基于自我一致性的“内在奖励”机制。这项工作刚刚被 AI 顶会 NeurIPS 收录。
“高效强化学习引擎”
训练专家级 AI 非常消耗资源，不能只靠蛮力计算。衔远利用强化学习稀疏奖励的特性，通过 LoRA 只更新极少量参数，在保证性能同时能够实现高效训练。
✦
面对复杂的多阶段任务，采用多智能体强化学习（MARL），平衡不同模型的专业能力和推理成本。
✦
即使面对无法改动参数的闭源模型，也能通过上下文强化学习（In-Context RL），优化记忆经验库，让它在对话流中变得越来越聪明。
从智能体进化平台
到企业智能涌现平台
平台架构
行业落地
在演讲的结尾，张开颜表示，数据终将耗尽，但环境可以无限生成数据。
但衔远坚信，高质量的智能体环境，将是2026年最稀缺的资产。
来源：衔远科技
