Beyond Scaling：我院AI團隊提出數(shù)據(jù)高效智能體學習研究框架并組織ADMA 2026專題論壇｜IJCAI 2026

隨著大語言模型和智能體（Agent）技術快速發(fā)展，人工智能正在從信息處理工具逐步演進為能夠自主規(guī)劃、決策和執(zhí)行復雜任務的智能系統(tǒng)，并在科學發(fā)現(xiàn)、軟件開發(fā)、數(shù)據(jù)分析、推薦系統(tǒng)以及具身智能等領域展現(xiàn)出廣闊應用前景。然而，當前主流技術路線仍高度依賴海量數(shù)據(jù)、超大規(guī)模模型和持續(xù)增長的計算資源。隨著模型訓練、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現(xiàn)高效學習，正成為下一代智能體系統(tǒng)發(fā)展的關鍵問題。

近日，北京雁棲湖應用數(shù)學研究院（BIMSA）人工智能團隊完成綜述論文《Beyond Scaling: A Survey of Data-Efficient Learning for LLM Agents》，系統(tǒng)梳理了數(shù)據(jù)高效智能體學習（Data-Efficient Agentic Learning）這一新興研究方向的發(fā)展脈絡，并從經(jīng)驗增強（Experience Augmentation）、智能體結構設計（Agent Structural Design）和學習范式（Learning Paradigms）三個維度構建統(tǒng)一研究框架。該論文被人工智能領域國際頂級學術會議 International Joint Conference on Artificial Intelligence（IJCAI 2026）接收。

論文作者包括王雅晴（北京雁棲湖應用數(shù)學研究院，副研究員）、羅震林（北京雁棲湖應用數(shù)學研究院、中國人民大學統(tǒng)計與大數(shù)據(jù)研究院，博士生）、趙培遙（北京雁棲湖應用數(shù)學研究院、清華大學丘成桐數(shù)學科學中心，博士后）、蔡云峰（北京雁棲湖應用數(shù)學研究院，研究員）以及姚權銘（清華大學，副教授）。

針對大模型智能體在真實場景中的數(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習的發(fā)展路徑，將近年來分散于經(jīng)驗復用、記憶增強、結構化上下文、測試時學習、偏好學習以及智能體架構設計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)模擴張的 Scaling 路線，該框架更加關注如何利用已有經(jīng)驗、有限反饋和結構化知識持續(xù)提升智能體能力，從而降低學習成本、提高泛化性能，并增強系統(tǒng)在真實環(huán)境中的適應能力和持續(xù)演化能力。

論文進一步從經(jīng)驗增強、智能體結構設計和學習范式三個維度系統(tǒng)總結了相關研究進展。在經(jīng)驗增強方面，論文重點討論經(jīng)驗檢索、案例復用、長期記憶以及模擬交互等技術；在智能體結構設計方面，分析模塊化智能體、多智能體協(xié)作、工具增強和外部知識集成等代表性框架；在學習范式方面，梳理上下文學習、測試時適應、偏好學習以及預算受限強化學習等方向的發(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習、適應和進化提供了系統(tǒng)化視角。

研究團隊認為，隨著大模型智能體逐步從實驗室走向產(chǎn)業(yè)應用，數(shù)據(jù)效率將成為與模型能力同等重要的核心指標。數(shù)據(jù)高效智能體學習不僅能夠為學術界理解智能體學習機制提供統(tǒng)一框架，也能夠為企業(yè)級智能體系統(tǒng)的設計、部署和持續(xù)優(yōu)化提供實踐指導。例如，在企業(yè)知識助手、軟件工程智能體、GUI 智能體、科學智能以及個性化推薦等場景中，系統(tǒng)往往難以持續(xù)獲得大規(guī)模高質量標注數(shù)據(jù)，而需要依賴歷史經(jīng)驗、用戶反饋、結構化知識和有限交互不斷提升能力。數(shù)據(jù)高效智能體學習框架為此類真實生產(chǎn)場景提供了系統(tǒng)性的技術路線，對于降低部署成本、提升迭代效率、增強長期服務能力具有重要價值。