通用智能体自下而上的学习与进化路径

【报告信息】

题目：通用智能体自下而上的学习与进化路径

报告人：周天异博士，新加坡前沿人工智能中心副主任

时间/地点：2025年10月24日上午9:30-11:30，江湾校区交叉二号楼B2012会议室

联系人：陈涛

 

【报告摘要】

       当前主流的 LLM-based agent 系统多采用“自上而下”的设计范式：人类设定目标，拆解子任务，定义流程，并指定每个代理的角色与调用的工具。这种方法在结构化任务中效果显著，但严重依赖人类先验，缺乏自主学习能力，且代理在部署后无法进化，最终导致性能受限。本次报告基于我们的研究工作，提出一种全新的“自下而上”智能体设计框架（Bottom-Up Agent Paradigm）。在这一框架中，代理通过持续交互和试错机制，从零开始积累技能、抽象能力，并借助经验回馈不断优化自身行为。我们展示了该范式如何突破传统系统的两大核心限制：先验依赖与静态复制，并在开放式游戏环境中实现了无需任务特定先验的技能演化与任务推进。该框架不仅是一种方法论的转变，更是迈向通用、自适应智能体的重要一步。

 

【报告人简介】

       周天异博士,毕业于新加坡南洋理工大学, 现为新加坡前沿人工智能中心担任副主任和研究员职位。周天异博士主持多项新加坡国家级项目，并且已在机器学习, 人工智能,信息安全等领域核心期刊(中科院一区)和国际会议(CCF A类)上发表论文150余篇; 此外是CCF A类期刊IJCV,AIJ, IEEE Transactions等国际重要SCI 期刊的常任编委; 担任多个国际顶级/重要学术会议NeurIPS, ICML, ICLR, AAAI, IJCAI 等国际顶级会议领域主席 (Area Chair)和 IJCAI 2025大会副主席；获得IJCAI，ECCV，ACML等多个国际顶级/重要学术会议及其专题报告会最佳论文奖，被斯坦福大学评为世界前2%的科学家。