新智元報(bào)道

編輯：LRST

【新智元導(dǎo)讀】讓AI像助手一樣主動(dòng)幫助，才是我們心中AGI的樣子。主動(dòng)智能體的概念已經(jīng)被多次提出，但都很難做到可以真正在生活中落地。現(xiàn)有的工作都還停留在概念層面，無法解決復(fù)雜世界中所要求的實(shí)時(shí)性、深度、和記憶等問題。 南洋理工大學(xué)謝之非團(tuán)隊(duì)提出Pask，使用「底層小模型流式意圖檢測」+ 「上層Agents執(zhí)行」架構(gòu)，實(shí)現(xiàn)首個(gè)能夠做到實(shí)時(shí)、有深度、基于個(gè)人全局記憶自進(jìn)化的主動(dòng)智能體。

開會(huì)時(shí)，當(dāng)討論到「Pask的上下文是不是可以考慮和Obsidian, 或者飛書聯(lián)動(dòng)一下？自成一派會(huì)很難」 時(shí)，Pask思考三秒后，給出了思路：

「你們?nèi)绻?strong>用戶記憶全都收進(jìn)自己系統(tǒng)，本質(zhì)上是在做一個(gè)新的數(shù)據(jù)孤島。這樣雖然短期上更可控，但長期會(huì)有兩個(gè)問題：一是不兼容用戶已經(jīng)在用的工具，二是用戶遷移成本太高，生態(tài)天花板會(huì)很低。更好的定位不是自建一套記憶庫，而是做： 個(gè)人上下文入口 + 生態(tài)上的主動(dòng)AI編排層。也就是，用戶的知識(shí)和行為仍然留在原系統(tǒng)里，你們負(fù)責(zé)理解、索引、觸發(fā)、協(xié)同和執(zhí)行。Pask更好的位置是：最懂這個(gè)人的統(tǒng)一入口，以及能在各生態(tài)之間主動(dòng)行動(dòng)的代理層。」

理想中的AI、人類真正期待的AGI，必須具備一種能力：主動(dòng)性。

這種主動(dòng)性，不是OpenClaw一類產(chǎn)品的「自主性」，也不是會(huì)后幫你寫封郵件的AI，它必須深度理解你、能猜到你意圖，并在恰當(dāng)時(shí)機(jī)提供關(guān)鍵幫助的超級外掛大腦。

它不像工具一樣被調(diào)用，而是需要包圍你，能讓你感受到「被主動(dòng)關(guān)懷，又極有價(jià)值」。

聽起來，這個(gè)問題似乎關(guān)注的是Agent機(jī)制，但真正開始做之后，就會(huì)發(fā)現(xiàn)，這件事遠(yuǎn)比想象中難：

準(zhǔn)確性太低，一盤散沙式的消息看起來像是騷擾短信，給出有深度的實(shí)時(shí)輔助難度極大。

實(shí)時(shí)性太差，僅僅推理人類的需求都要3-4秒，而人類能夠忍受的最大延遲極限是兩秒。

海量記憶下對人的深度理解，主動(dòng)式AI每天接受海量的新token，不可能每次都去查詢，怎么保證系統(tǒng)能夠自主切換正確的記憶背景，以及最核心的，真正了解自己的主人呢？

南洋理工大學(xué)的研究人員調(diào)研了大量相關(guān)論文和產(chǎn)品后發(fā)現(xiàn)，發(fā)現(xiàn)過去的大多數(shù)工作都在回避這些關(guān)鍵問題，尤其是實(shí)時(shí)性。

于是，研究人員決定自己探索一套方法，提出了「需求探測—記憶—主動(dòng)智能體」的范式PASK，包括全新的問題解決范式、IntentFlow流式意圖檢測模型、自進(jìn)化式記憶模塊和主動(dòng)智能體工程架構(gòu)。

論文鏈接：https://arxiv.org/abs/2604.08000

需求檢測、長期記憶、主動(dòng)智能體范式

首先需要確定：主動(dòng)AI需要哪些「組件」？

研究人員提出了一個(gè)通用范式，將被動(dòng)模型轉(zhuǎn)換為主動(dòng)智能，包含三個(gè)相互作用的模塊：需求檢測（DD）、長期記憶（MM）和主動(dòng)系統(tǒng)（PAS）。

需求檢測（Demand Detection，DD）是第一步，也是最核心的一步。它與人類同聽、同看，并實(shí)時(shí)檢測出當(dāng)下的需求——比如「他現(xiàn)在需要知道這個(gè)詞的意思」，或「他可能在懷疑對方是否在說真話」。

長期記憶（MM）負(fù)責(zé)系統(tǒng)中的個(gè)性化部分。它與用戶一起成長、持續(xù)進(jìn)化，作為貫穿始終的「長期上下文」。

主動(dòng)系統(tǒng)（PAS）是整個(gè)Agent的底層執(zhí)行邏輯，保持循環(huán)運(yùn)行，驅(qū)動(dòng)前兩個(gè)組件協(xié)同工作。

IntentFlow：流式意圖檢測模型

主動(dòng)AI做過頭就是信息騷擾。

一個(gè)好的主動(dòng)AI，必須在實(shí)時(shí)性、精準(zhǔn)度、觸發(fā)頻率上做到精準(zhǔn)平衡。但不幸的是，準(zhǔn)確率、記憶查詢與實(shí)時(shí)響應(yīng)，這三個(gè)特性天生相互矛盾。

更大的挑戰(zhàn)在于：這件事完全無法用傳統(tǒng) Agent 的方式來做。如果整個(gè)流程需要在2秒內(nèi)完成，留給意圖檢測的時(shí)間最多只有1秒，甚至不夠完成一次API調(diào)用。

而意圖推理，到記憶查詢，至少需要10秒。

Proactive AI不是簡單的Agents機(jī)制能做的事，研究人員從語音和視頻的端到端流式模型獲得靈感，選擇了「模型+Agents」實(shí)現(xiàn)路徑，即重新訓(xùn)一個(gè)在「文本流」上實(shí)時(shí)運(yùn)行的意圖檢測模型，構(gòu)建出了IntentFlow，接收文本化的多模態(tài)信息流和用戶記憶，自主判斷人類當(dāng)下需要什么。

至于具體最終的結(jié)果是什么，IntentFlow并不關(guān)注，Intentflow只關(guān)心人類需要什么。

IntentFlow更像一座橋：一邊是用戶面對的信息流，一邊是世界上最新，最強(qiáng)的AI，它只負(fù)責(zé)在正確的時(shí)機(jī)，成為AI介入的新入口。

MeMory：多層自進(jìn)化記憶系統(tǒng)

記憶系統(tǒng)是主動(dòng)AI與人類共同成長的核心，而主動(dòng)AI的記憶有一層額外要求：實(shí)時(shí)。

在Pask中，研究人員借鑒了計(jì)算機(jī)存儲(chǔ)的Cache—內(nèi)存—外存架構(gòu)，設(shè)計(jì)了三層記憶體系：

• 用戶記憶（類似 Cache）：AI隨時(shí)需要知道用戶是誰、有什么偏好。

• Workspace 記憶（類似內(nèi)存）：負(fù)責(zé)當(dāng)前事件內(nèi)部的所有上下文信息。

• 全局記憶（類似外存）：現(xiàn)實(shí)中的事件往往是一個(gè)系列，全局記憶承擔(dān)「超級上下文」的角色，跨事件持久保存。

PAS：主動(dòng)AI底層的流式系統(tǒng)

主動(dòng)AI如何在復(fù)雜的現(xiàn)實(shí)環(huán)境中穩(wěn)定運(yùn)行？

其底層系統(tǒng)相當(dāng)復(fù)雜：每個(gè)Demand需要開啟一個(gè)獨(dú)立進(jìn)程，所有環(huán)境變量需要持續(xù)維護(hù)，整個(gè)系統(tǒng)中存在一個(gè)DD-MM大循環(huán)，以及無數(shù)個(gè)內(nèi)部小循環(huán)。

底層系統(tǒng)分為三層：

• 前端：負(fù)責(zé)信息流的輸入與輸出。

• 服務(wù)器后端：負(fù)責(zé)多進(jìn)程執(zhí)行、循環(huán)控制與數(shù)據(jù)存儲(chǔ)調(diào)度。

• AI 后端：負(fù)責(zé)連接外部模型，提供可調(diào)用的搜索、工具和代碼執(zhí)行環(huán)境。

實(shí)驗(yàn)結(jié)果

Pask在學(xué)習(xí)、工作、日常三大領(lǐng)域的十類任務(wù)上進(jìn)行了測試，效果與閉源模型加思考鏈的水平相當(dāng)。

在延遲上，當(dāng)其他開閉源模型普遍都需要3–10秒才能推理一次人類的潛在需要時(shí)，Intentflow只需要1.5s就可以結(jié)合著人類的個(gè)人，工作和全局記憶完成一次完整的意圖檢測。

在報(bào)告中，研究人員對于主動(dòng)AI 進(jìn)行了詳細(xì)的實(shí)驗(yàn)，并總結(jié)為了12個(gè)findings。

主動(dòng)AI的探索

剛剛開始

AI變聰明，這條路已經(jīng)走了很遠(yuǎn)；AI懂人，這件事才剛開始。

現(xiàn)實(shí)世界沒有統(tǒng)一答案，只有復(fù)雜的場景、角色和任務(wù)。每個(gè)行業(yè)都有自己的工作流、判斷方式和隱性規(guī)則，同一句話放在不同人身上，背后的需求可能完全不同。

主動(dòng)AI的核心挑戰(zhàn)，是數(shù)據(jù)。

真正的意圖數(shù)據(jù)幾乎不存在。不是因?yàn)槿鄙偃斯?biāo)注，而是從邏輯上說，標(biāo)注本身就并不總是成立。

主動(dòng)AI不再是 「I know what I don't know」 的邏輯，而是 「I don't know what I don't know」，因?yàn)樗^更深層、更有價(jià)值的信息，往往需要超出用戶當(dāng)下的認(rèn)知。

很多時(shí)候，人并不真正知道自己想要什么，更說不清自己下一步需要什么。能證明 AI 猜對了的，不是一次問答是否對齊，而是它給出幫助之后，用戶是不是立刻感到「就是這個(gè)」。

底層流式意圖模型+上層Agents執(zhí)行，才是主動(dòng)AI的未來。

研究人員開發(fā)Pask的一年里，有幾個(gè)月是在agents機(jī)制上下功夫的，最終得出的結(jié)論很簡單：走不通。

原因也很直接：人類能接受的時(shí)延，連一次完整的模型調(diào)用都不夠，更沒有時(shí)間留給意圖推理。

第一作者謝之非是做語音模型背景出身的。面對這個(gè)核心矛盾，當(dāng)時(shí)就意識(shí)到，這是實(shí)時(shí)對話模型的歷史重演。2024年之前，當(dāng)語音助手有3秒延遲的時(shí)候，沒有人能用得下去。

當(dāng)GPT-4o這類實(shí)時(shí)模型出現(xiàn)，語音模型的應(yīng)用瞬間爆發(fā)。開發(fā)團(tuán)隊(duì)當(dāng)時(shí)就想到了用一個(gè)流式模型來做意圖檢測，才有了Intentflow。

所以，Pask從一開始就不打算去卷「更聰明」的執(zhí)行agents，而是只做一件事：更快、更準(zhǔn)地猜中人的心思。

不做更大的模型，也不做更復(fù)雜的調(diào)用邏輯，而是去回答一個(gè)問題：它能不能在連續(xù)上下文里看懂你，在你開口之前就知道你的深層意圖，并在準(zhǔn)確的時(shí)機(jī)，用極短的時(shí)間給出最有價(jià)值的幫助。

AI的未來，是主動(dòng)理解意圖的能力真正進(jìn)入你身邊的每一臺(tái)移動(dòng)設(shè)備，讓AI不再只是回答問題，而是成為一個(gè)實(shí)時(shí)理解你、持續(xù)貼近你、真正懂你的AI soul knower。

作者介紹

論文第一作者謝之非是南洋理工大學(xué)的博士生。通訊作者為顏水成、苗春燕、葉德珩。

Pask研究團(tuán)隊(duì)的Project Lead為來自南洋理工大學(xué)的謝之非: 謝之非，南洋理工大學(xué)在讀PhD。

研究方向?yàn)槎嗄B(tài)流式模型。本科時(shí)曾做出全球首個(gè)「開源GPT4o」系列實(shí)時(shí)對話模型 Mini-Omni系列，三篇一作論文單引超過百次，開源項(xiàng)目累計(jì)獲5k+ stars。

隨后與顏水成老師一拍即合，選擇離開清華大學(xué)加入NUS LV_Lab，成為其回歸學(xué)術(shù)界后第一個(gè)博士生。 論文通訊作者為顏水成老師、苗春燕老師、葉德珩老師。

參考資料：

https://arxiv.org/abs/2604.08000