Beyond Scaling：我院AI團(tuán)隊(duì)提出數(shù)據(jù)高效智能體學(xué)習(xí)研究框架并組織ADMA 2026專題論壇

來源：BIMSA 北京雁棲湖應(yīng)用數(shù)學(xué)研究院官網(wǎng)

原文鏈接：https://www.bimsa.cn/zh-CN/news/info/BeyondScaling.html

隨著大語言模型和智能體（Agent）技術(shù)快速發(fā)展，人工智能正在從信息處理工具逐步演進(jìn)為能夠自主規(guī)劃、決策和執(zhí)行復(fù)雜任務(wù)的智能系統(tǒng)，并在科學(xué)發(fā)現(xiàn)、軟件開發(fā)、數(shù)據(jù)分析、推薦系統(tǒng)以及具身智能等領(lǐng)域展現(xiàn)出廣闊應(yīng)用前景。然而，當(dāng)前主流技術(shù)路線仍高度依賴海量數(shù)據(jù)、超大規(guī)模模型和持續(xù)增長的計(jì)算資源。隨著模型訓(xùn)練、推理和部署成本不斷攀升，如何利用有限數(shù)據(jù)、有限監(jiān)督和有限交互資源實(shí)現(xiàn)高效學(xué)習(xí)，正成為下一代智能體系統(tǒng)發(fā)展的關(guān)鍵問題。

近日，北京雁棲湖應(yīng)用數(shù)學(xué)研究院（BIMSA）人工智能團(tuán)隊(duì)完成綜述論文《Beyond Scaling: A Survey of Data-Efficient Learning for LLM Agents》，系統(tǒng)梳理了數(shù)據(jù)高效智能體學(xué)習(xí)（Data-Efficient Agentic Learning）這一新興研究方向的發(fā)展脈絡(luò)，并從經(jīng)驗(yàn)增強(qiáng)（Experience Augmentation）、智能體結(jié)構(gòu)設(shè)計(jì)（Agent Structural Design）和學(xué)習(xí)范式（Learning Paradigms）三個(gè)維度構(gòu)建統(tǒng)一研究框架。該論文被人工智能領(lǐng)域國際頂級(jí)學(xué)術(shù)會(huì)議 International Joint Conference on Artificial Intelligence（IJCAI 2026）接收。

論文作者包括王雅晴（北京雁棲湖應(yīng)用數(shù)學(xué)研究院，副研究員）、羅震林（北京雁棲湖應(yīng)用數(shù)學(xué)研究院、中國人民大學(xué)統(tǒng)計(jì)與大數(shù)據(jù)研究院，博士生）、趙培遙（北京雁棲湖應(yīng)用數(shù)學(xué)研究院、清華大學(xué)丘成桐數(shù)學(xué)科學(xué)中心，博士后）、蔡云峰（北京雁棲湖應(yīng)用數(shù)學(xué)研究院，研究員）以及姚權(quán)銘（清華大學(xué)，副教授）。

針對(duì)大模型智能體在真實(shí)場景中的數(shù)據(jù)成本、反饋成本和交互成本問題，論文從數(shù)據(jù)效率（Data Efficiency）的視角重新審視智能體學(xué)習(xí)的發(fā)展路徑，將近年來分散于經(jīng)驗(yàn)復(fù)用、記憶增強(qiáng)、結(jié)構(gòu)化上下文、測試時(shí)學(xué)習(xí)、偏好學(xué)習(xí)以及智能體架構(gòu)設(shè)計(jì)等方向的研究成果統(tǒng)一納入“Data-Efficient Agentic Learning”框架之下。相比單純依賴模型規(guī)模擴(kuò)張的 Scaling 路線，該框架更加關(guān)注如何利用已有經(jīng)驗(yàn)、有限反饋和結(jié)構(gòu)化知識(shí)持續(xù)提升智能體能力，從而降低學(xué)習(xí)成本、提高泛化性能，并增強(qiáng)系統(tǒng)在真實(shí)環(huán)境中的適應(yīng)能力和持續(xù)演化能力。

論文進(jìn)一步從經(jīng)驗(yàn)增強(qiáng)、智能體結(jié)構(gòu)設(shè)計(jì)和學(xué)習(xí)范式三個(gè)維度系統(tǒng)總結(jié)了相關(guān)研究進(jìn)展。在經(jīng)驗(yàn)增強(qiáng)方面，論文重點(diǎn)討論經(jīng)驗(yàn)檢索、案例復(fù)用、長期記憶以及模擬交互等技術(shù)；在智能體結(jié)構(gòu)設(shè)計(jì)方面，分析模塊化智能體、多智能體協(xié)作、工具增強(qiáng)和外部知識(shí)集成等代表性框架；在學(xué)習(xí)范式方面，梳理上下文學(xué)習(xí)、測試時(shí)適應(yīng)、偏好學(xué)習(xí)以及預(yù)算受限強(qiáng)化學(xué)習(xí)等方向的發(fā)展現(xiàn)狀與挑戰(zhàn)。通過這一框架，論文為理解大模型智能體如何在有限資源條件下學(xué)習(xí)、適應(yīng)和進(jìn)化提供了系統(tǒng)化視角。

研究團(tuán)隊(duì)認(rèn)為，隨著大模型智能體逐步從實(shí)驗(yàn)室走向產(chǎn)業(yè)應(yīng)用，數(shù)據(jù)效率將成為與模型能力同等重要的核心指標(biāo)。數(shù)據(jù)高效智能體學(xué)習(xí)不僅能夠?yàn)閷W(xué)術(shù)界理解智能體學(xué)習(xí)機(jī)制提供統(tǒng)一框架，也能夠?yàn)槠髽I(yè)級(jí)智能體系統(tǒng)的設(shè)計(jì)、部署和持續(xù)優(yōu)化提供實(shí)踐指導(dǎo)。例如，在企業(yè)知識(shí)助手、軟件工程智能體、GUI 智能體、科學(xué)智能以及個(gè)性化推薦等場景中，系統(tǒng)往往難以持續(xù)獲得大規(guī)模高質(zhì)量標(biāo)注數(shù)據(jù)，而需要依賴歷史經(jīng)驗(yàn)、用戶反饋、結(jié)構(gòu)化知識(shí)和有限交互不斷提升能力。數(shù)據(jù)高效智能體學(xué)習(xí)框架為此類真實(shí)生產(chǎn)場景提供了系統(tǒng)性的技術(shù)路線，對(duì)于降低部署成本、提升迭代效率、增強(qiáng)長期服務(wù)能力具有重要價(jià)值。

為進(jìn)一步推動(dòng)數(shù)據(jù)高效智能體學(xué)習(xí)的發(fā)展，促進(jìn)相關(guān)領(lǐng)域研究者之間的交流與合作，王雅晴副研究員與香港教育大學(xué)尹楠助理教授共同組織了 ADMA 2026 國際會(huì)議專題論壇“Data-Efficient Agentic Learning for Data Mining（DEAL-DM）”。該專題論壇聚焦數(shù)據(jù)高效學(xué)習(xí)與智能體技術(shù)的交叉研究，重點(diǎn)關(guān)注經(jīng)驗(yàn)復(fù)用、結(jié)構(gòu)化上下文、記憶增強(qiáng)、個(gè)性化智能體、測試時(shí)學(xué)習(xí)、預(yù)算高效強(qiáng)化學(xué)習(xí)以及科學(xué)智能等前沿方向，旨在探索如何在有限數(shù)據(jù)、有限反饋和有限交互資源條件下構(gòu)建更高效、更可靠、更具適應(yīng)性的智能體系統(tǒng)。

DEAL-DM 希望匯聚來自數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、大語言模型、智能體系統(tǒng)、推薦系統(tǒng)、科學(xué)智能及相關(guān)應(yīng)用領(lǐng)域的研究力量，共同探索數(shù)據(jù)高效智能體學(xué)習(xí)的理論基礎(chǔ)、關(guān)鍵技術(shù)與應(yīng)用實(shí)踐，推動(dòng)該方向從學(xué)術(shù)研究走向產(chǎn)業(yè)落地。ADMA 是中國計(jì)算機(jī)學(xué)會(huì)（CCF）推薦的 C 類國際學(xué)術(shù)會(huì)議，錄用論文將收入 ADMA 2026 會(huì)議論文集，并由 Springer LNCS 系列出版。專題論壇現(xiàn)已面向全球開放征稿，論文投稿截止日期為 2026年6月26日。研究團(tuán)隊(duì)誠摯歡迎國內(nèi)外研究人員積極投稿、交流最新成果，共同建設(shè)這一快速發(fā)展的新興研究方向。