刘世隆专访，人类是超强Router，Agent自进化刚起步，三层架构揭示智能体本质

当开放世界检测模型Grounding DINO在Hugging Face平台月下载量突破200万次，成为全球开发者高频调用的视觉基础工具时，其核心作者刘世隆并未止步于模型成功。这位即将于2027年秋季入职哥伦比亚大学电气工程系的青年学者，正将研究重心转向更具挑战性的方向：自进化智能体（Self-evolving Agents）与具身AI的落地融合。

刘世隆的研究轨迹清晰而扎实：本科就读清华大学工业工程专业，依靠参与算法竞赛锤炼出扎实的工程实现能力；博士阶段聚焦计算机视觉，在IDEA Research实习期间确立了开放世界检测主线；博二提出DAB-DETR，博三推出刷榜COCO数据集的DINO，再到将Grounding DINO开源并实现产品级落地——完成从科研探索、方向引领到实用化推广的三次跨越。如今，他在普林斯顿人工智能实验室担任Peretsman Scully博士后研究员，全面投入自进化智能体研究，提出Alita框架，并系统梳理领域内模糊概念，建立“三层分类法”以厘清智能体构成。

该三层架构图直观呈现了刘世隆对智能体本质的理解：Models（通常指大语言模型LLMs）是响应提示的“大脑”；Harness 包含循环设计、内存管理、工具调用等组件，负责将模型转化为可执行的智能体；Artifacts 则是运行过程中生成的中间产物，如代码、计划或状态快照。三者共同构成公式：Agent = Model + Harness。这一框架避免了将智能体简单等同于“更强的模型”，转而强调调度与协同机制的关键作用。

正是基于此认知，刘世隆提出一个关键判断：人类是超强Router。在复杂任务中，决定“何时做什么、将子任务分派给哪个模块或工具”，需要极高的元认知与协调能力——这种路由（routing）能力远超当前任何AI系统。现有Agent多依赖预设流程或单一模型决策，面对动态环境仍显僵化。他认为，提升AI的“Router”能力，即任务分解、资源调度与失败回退机制，是下一阶段必须攻克的核心问题。

这一观点也反映在其对泛化能力的反思上。他明确反对盲目追求“通用泛化”：不应期待机器人在适配极小领域专用基准（如拧魔方）的同时，还保持广泛泛化能力。依据统计学习理论，真实世界中的智能本就是“朝终点持续搜索”的过程——只要评估机制能有效减少无效分支，局部优化就具备实际价值。这与当前主流追求“零样本泛化”的风气形成鲜明对比，体现其务实的研究取向。

为验证智能体在具身场景中的推理能力，刘世隆团队构建了空间推理基准CubeBench，将魔方还原任务拆解为三个诊断层级：

Tier 1（全符号态）：仅依赖符号输入（如字母序列），测试基础逻辑推理，GPT-5以37.5%通过率领先；
Tier 2（全视觉态）：要求Agent从2D图像中解析魔方状态并规划动作，难度陡增，通过率降至约10%；
Tier 3（部分视觉态）：模拟真实摄像头视角，仅提供局部视图，需主动探索与记忆整合，通过率进一步降至11.25%。

数据显示，尽管GPT-5在符号层表现最优，但在视觉与交互层面，各模型差距显著缩小，凸显“感知-行动闭环”仍是瓶颈。尤其值得注意的是，当前顶级模型在Tier 2与Tier 3间的性能断层，印证了虚实鸿沟的真实存在——纯语言模型难以直接迁移到物理世界操作任务。

刘世隆进一步指出，World Model（世界模型）的价值并非在于替代大模型，而在于特定封闭场景下的高效模拟与搜索。例如围棋、魔方等状态空间有限且规则明确的任务，World Model可通过精确状态演化实现比LLM更优的规划效率。但其适用边界清晰：一旦环境引入不确定性或需与物理系统耦合（如Wet Lab湿实验），建模难度指数级上升。

这也引出他对AI赋能科学发现的审慎看法。科学探索本身具有高容错性，适合AI试错迭代；但两大壁垒难以绕过：一是物理实验验证成本高、周期长；二是大量关键知识以“老师傅手感”形式存在，属于难以形式化的隐性直觉。因此，他主张优先在仿真环境或数字孪生系统中训练Agent，再逐步过渡到真实实验协作。

回顾其研究路径，刘世隆强调：底层信念驱动问题选择。他不盲从宏大叙事，而是从第一性原理出发推演“什么可行、什么不可行”，并据此预判趋势、提前布局。例如，在多数人追逐更大模型时，他转向Agent架构与世界建模；当行业热衷端到端训练时，他坚持模块化、可解释的Harness设计。

这种思路也体现在其开源实践上。Grounding DINO不仅是一个高性能模型，更被设计为可插拔的视觉基座，支持快速集成至各类Agent系统；Alita框架则提供标准化接口，便于社区复现与扩展自进化机制。截至目前，其相关项目在GitHub获星超30,000颗，谷歌学术引用逾24,000次，反映出学界对其技术路线的认可。

未来，刘世隆计划在哥伦比亚大学继续深化三个方向：一是构建面向机器人的专用模型，而非强行复用通用大模型；二是发展可评估的Agent进步标准——不能仅看任务完成率，还需衡量其自我修正、知识沉淀与跨任务迁移能力；三是探索Agent在材料设计、分子合成等具体科学领域的闭环验证路径。

在具身AI尚未真正“走出屏幕”的当下，刘世隆的工作提供了一条少有喧嚣、却步步为营的务实路径：不急于宣称“通用智能”，而是先夯实路由调度、世界建模与自进化机制三大支柱。正如他所言：“干任何事情都是不断朝终点搜索的过程。”真正的突破，或许正藏于一次次精准的“分叉裁剪”之中。