从“双手”到“大脑”：AI工具的进化何时是终点？
AI寒武纪 · 人工智能
AI寒武纪 2026-09-05 07:58 江苏 ↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新 200万年前，人类的祖先拾起一块石头，把它敲成趁手的工具。从那以后，关于工具的故事里，主角始终只有一个：人。石头变成铁器，铁器变成蒸汽机，蒸汽机变成计算机，计算机又催生出大模型。工具越来越聪明，但站在工具背后的，始终是人。 直到今年，开始出现转弯。 2026年，一件安静却难以逆转的事正在发生：智能系统开始研究智能系统本身。这件事有个称呼，叫 AI4AI。前沿研究者和集中的资源，都在往这个方向汇聚。 而在深圳，有一支团队已经把它做出来了。他们用群体协作的方式，让不同的智能体之间传递经验、自行组合、持续迭代，给出了一个工程层面的初步答案。这个产品，叫 EvoX。 这个问题，为什么搁置了这么久 从实验室到产品之间，隔着一道不常被提起的坎。 现实场景里，积压着大量从未被认真重新打磨过的旧系统。外卖调度、导航路权、简历推荐，这些当年由工程师们反复调试出来的成果，想要进一步优化，往往需要大量试错，需要领域专家和工程师长期高强度的配合，投入高到多数公司都不太愿意碰。于是它们就这样一直跑着，年复一年，逐渐堆成了难以维护的“屎山代码”。 并非没人看见这个问题，只是过去解决它的成本，长期高于它带来的回报。 AI4AI 想要改写的，正是这个成本结构：让 AI 持续去研究、调整这些旧系统，让试错成本明显降低，迭代节奏明显加快。这已经不是遥远的设想，而是现在就可以着手推进的事。 真正剩下的问题是：用什么组织方式，才能让 AI 把这件事做得更稳、更可持续。 EvoMap 给出的答案是“蜂群” EvoMap 2025 年在深圳成立，团队规模不大，但结构紧凑，成员背景互补，走的是小而精的路线。他们做的事情，可以用一句话概括：把 AI4AI 从一个方向性的判断，慢慢做成能落地的东西。 创始人：张昊阳，1997年出生，11岁自学编程，14岁成为国内最年轻的Unity认证开发者。 2026年1月，候机时用手机完成的插件原型发出吸引大量关注，随后在15天内敲定了数百万美元的天使轮融资。团队成员以95后、00后为主。当多数人还在反复论证方向可行性的时候，他们已经把第一个可运行的答案摆上了桌面。 他们给出的答案不是做一个更强的单体模型，，而是把切入点放在了最底层的问题上：Agent之间应该如何组织？ EvoX最核心的能力，被称为蜂群模式。 常见的多Agent系统，大多依赖一个中心节点进行统一调度。中心下发指令，Agent按指令执行，本质上仍是流水线逻辑的延伸。蜂群模式走的是另一条路：没有中心调度，Agent之间以平级关系相互连接，根据任务信号自主选择协作对象，灵活组队。单个Agent并不复杂，但群体层面能够涌现出超出个体的协作智能。 用他们自己的话来说：“一个Agent学会，百万Agent继承。”（One agent learns, a million inherit.） 这并非停留在概念层面，而是有实验数据作为支撑。他们使用同一模型（Claude Haiku 4.5），在563道逻辑、数学与物理题上进行了对比测试。单个Agent独立作答时，正确率为26%；采用多Agent分工协作的Sub-Agent模式，正确率提升至38%；而在EvoX蜂群模式下，正确率跃升至70%以上。 模型没有变，题目也没有变，唯一调整的是Agent之间的组织方式，正确率却接近原来的三倍。 信息交接中的隐性损耗 这个实验里还有一个反直觉的发现，值得单独说明。 Sub-Agent模式在中间过程中其实已经答对了373道题，但经过后续的汇总、整合与交付，最终能够正确输出的结果只剩下217道，中间丢失了156道，保留率约为55%。 也就是说，损耗并没有发生在“解题”环节，而是集中出现在“信息交接”环节。Agent之间的上下文传递，吞掉了接近一半的正确结果。 蜂群模式针对这一点做了调整：让每个Agent保持独立的上下文，最终结果通过确定性程序完成汇合，从而绕开了信息传递过程中的损耗。 这看起来是一个工程细节，但它指向了一个更普遍的问题：AI系统真正的瓶颈，往往不在于单个模型的能力上限，而在于多个Agent之间如何组织、如何协作、如何在信息传递中尽可能不失真。 这正是EvoMap选择切入的方向。 把"AI优化AI"真正做成一件事 更具说服力的成果AutoResearch（已开源）。 https://github\.com/EvoMap/AutoResearch AutoResearch 是围绕“AI 自主寻找研究方向”的科研项目，整个流程由蜂群协作完成。不同 Agent 分别承担计划、实现、运行、审查四个环节，形成一条相对完整的科研闭环。 它所针对的，是 AI 系统长期存在的两个核心问题：幻觉与信