如果几年前有人告诉我，AI 不仅能写代码、生成论文摘要，还能像一个真正的工程师那样，在实验室里反复寻找可行的策略、持续优化一个方案——我大概会觉得这个人科幻片看多了。 过去两年，大模型的能力突飞猛进，从写诗到写代码，从做数学题到跑实验流程，AI 擅长的事情越来越多。但真正做过科研和工程的人都清楚，最耗人的部分，往往不是提出第一个可行方案，而是后面那段漫长的「持久优化」——一个实验跑通了，但指标还差一点；一个算法能用了，但速度还不够快；一个电池快充策略成立了，但温度、寿命和析锂之间还需要反复平衡。 最近，Einsia AI 旗下 Navers Lab 发布了一个叫 Frontier-Eng Bench 的新基准测试，正试图衡量这种能力。它没有再把 AI 放进「一问一答」的选择题里，而是直接把 Agent 扔进真实工程优化环境——Agent 必须不断提出方案、运行仿真器、读取反馈、修改策略，在持久迭代中持续逼近更优解。 这让我想到一个历史参照：AlphaGo 之所以强大，并不在于它每一步棋都能算对，而在于它能在数百万次自我对弈中持续进化。某种程度上，Frontier-Eng 试图回答的，也是同一个问题——当 AI 开始进入真实世界的持久反馈循环后，智能的本质，究竟该怎么衡量？ 过去几年，大模型领域的 benchmark 越来越多，但本质上都在评估同一件事：模型能不能「一次性生成正确答案」。无论是代码生成、数学推理，还是任务执行，大多数测试的逻辑仍然是——答案对，或者错；任务完成，或者失败。 一个量子线路已经正确了，但保真度还能不能再往上抠一点？一个 GPU kernel 已经可用了，但速度还不够快？这些问题没有「标准答案」，只有「更优解」。而找到更优解的过程，往往需要成百上千次的迭代、试错和微调。 事实上，这正是 Frontier-Eng Bench 提出的核心命题——论文将其定义为「Generative Optimization」（生成式优化）。它认为，下一代 Agent 的核心能力，不应该只是「一次性给出看起来合理的答案」，而是能否在环境反馈里持续修正自己的轨迹，并在有限预算下不断优化结果。 这个判断并不只是理论推演。Frontier-Eng 设计了 47 个横跨五大领域的实验任务——量子计算与信息、运筹与决策科学、机器人与控制系统、光学与通信、物理科学与工程设计。在每一个任务中，Agent 都不是简单地「回答问题」，而是需要提出优化方案、运行仿真器、获取真实反馈、修改代码与策略，并在固定的计算预算里持续迭代。 论文通过大量实验发现，Agent 的性能提升遵循一套双重幂律衰减规律——随着任务进入「深水区」，获得显著性能提升的难度呈指数级上升。这是一个残酷但真实的规律：越往后优化，每一个百分点的进步都越来越贵。 但更有意思的发现在于一个架构层面的核心争议：到底是让 Agent 并行测验考试 100 种可能性（宽度），还是让它在 1 个路径上通过「反思—修正」递归 100 次（深度）？ 这让我想到一个日常的类比。面对一道难题，是同时翻开十本参考书碰运气更有效，还是沿着一条思路反复推敲、不断修正更容易找到答案？大多数有经验的工程师和科学家都会选后者。Frontier-Eng 的数据，某种程度上用实验验证了这种直觉。 论文将这种能力称为「Deep Iterative Reasoning」（深度迭代推理）。在这背后，其实指向了一个更大的趋势：下一代 Agent 的核心竞争力，可能正在从「知道多少知识」转向「能不能在持久反馈中持续自我修正」。 一个有趣的现象是，这个结论和人类专家解决复杂问题的方式高度一致。顶级的工程师和科学家，几乎从来不靠「灵光一闪」解决核心难题，而是在漫长的试错循环中一步步逼近最优解。某种程度上，Frontier-Eng 证明了：AI 要变得真正聪明，也得学会这种「慢功夫」。 更重要的是，这个发现正在直接改变 Agent 架构设计的方向。过去，开发者们的注意力大多放在 prompt engineering 上——怎么写出更好的提示词，让模型一次就给出好答案。但如果深度迭代推理才是关键，那么未来真正重要的可能是 reasoning architecture——如何构建更强的推理侧架构，让模型能够像人类专家一样进行「慢思考」。 过去几年，大模型行业的核心护城河主要来自三件事：参数规模、训练算力、高质量数据。谁的模型更大、训练数据更多、GPU 集群更强，谁就占据优势。 换句话说，未来真正重要的，可能不只是模型「知道什么」，而是它能否在持久环境反馈中持续优化、在复杂搜索空间里稳定收敛、在有限算力下完成递归推理、在真实仿真器中不断自我修正。 这会直接改变整个 Agent 基础设施的竞争方向。因为一旦智能开始更多地来自 inference-time optimization（推理时优化），而不是一次性的预训练，那么几件事将同时发生： 首先，AI for Science 可能将迎来真正的爆发。科学研究本身就是最完美的「生成式优化」场景——提出假设、实验验证、修正假设、再验证，这个循环和 Frontier-Eng 测试的过程几乎完全一致。 其次，Agent 的开发范式会从 prompt engineering 转向 reasoning architecture。开发者将不再仅仅盯着提示词的措辞，而是去思考如何构建更强的推理链、更高效的搜索策略、更智能的反思机制。 Frontier-Eng 告诉我们，Agent 正在走出文字游戏的「温室」，进入物理规律的「竞技场」。它们开始学习的，不再只是如何给出一个漂亮的答案，而是如何在成千上万次失败中，一点一点地抠出那 1% 的性能突破。 而身处其中，我们往往后知后觉。但把时间维度拉长，也许多年后回看，2025 年前后这段时间，正是 AI 从「聪明的回答者」变成「执着的优化者」的转折点。 而下一代 Agent 真正比拼的，可能不再是谁「知道得多」，而是谁能在持久环境反馈中，持续逼近最优解。这场关于「深度」与「反馈」的竞赛，才刚刚鸣枪。