本系列为笔者在实习过程中的所见所闻记录，内容为技术摘要，旨在提供关于Agent领域相关技术名词的通俗和简要介绍，详细内容暂不展开，供同在该领域进修的童鞋们参考。
01 AI4S
全称是 AI for Science，用 AI 去帮科学家做研究，解决物理、化学、生物、气象等领域的地狱级难题。
场景 A：生物学
- 痛点：蛋白质是生命的基石，但预测蛋白质的 3D 折叠结构极其困难，传统方法测一个结构要几个月、花几百万。
- AI4S 奇迹：DeepMind 搞出了 AlphaFold，直接把人类已知的 2 亿多个蛋白质结构全部预测了一遍，准确率极高，它的发明人直接拿了 2024 年的诺贝尔化学奖！
场景 B：气象学
- 痛点：传统天气预报需要解极其复杂的流体力学偏微分方程，超算算几个小时，才能预测未来几天的天气。
- AI4S 奇迹：华为搞了盘古气象大模型，1 秒钟就能预测全球未来 7 天的天气，而且预测台风路径的精度比欧洲传统的物理超算模型还准！
场景 C：材料科学
- 痛点：找新型电池材料就像大海捞针，要在实验室里一次次试错。
- AI4S 奇迹：微软和太平洋西北国家实验室用 AI 筛选了 3200 万个候选材料，只用了几个星期，就发现了一种全新的固态电池材料N2116，并且已经造出了原型电池，如果是人类做，这得干几十年！
02 VLM
Vision-Language Model，视觉语言模型，核心是建立视觉信息与语言之间的关联。在当前生成式多模态大模型中，典型形式是：
pθ(y∣I,x) p_\theta(y\mid I,x) pθ(y∣I,x)
其中 I 是图像或视频，x 是文本指令，y 是生成的文本回答。常见架构是：
视觉编码器 → 跨模态连接模块 → 语言模型视觉编码器把图像转换为特征，连接模块将其映射到语言模型能够处理的表示空间，再由语言模型结合指令生成结果。训练通常涉及图文对齐、文本生成，以及多模态指令微调。
03 VLA
Vision-Language-Action，视觉语言动作模型。VLA 把视觉和语言理解进一步连接到动作生成，在机器人场景中，可以把它理解为一个条件策略：
πθ(at∣o≤t, ℓ, st) \pi_\theta(a_t\mid o_{\leq t},\,\ell,\,s_t) πθ(at∣o≤t,ℓ,st)
其中：
o_t：当前及历史视觉观测
l：语言任务指令
s_t：机器人自身状态
a_t：要执行的动作
这里的动作通常有明确的控制语义，例如机械臂末端位移、旋转量、夹爪开合。训练常使用机器人示范数据，给定观察和指令，学习示范者采取的动作，即行为克隆。动作既可以离散化成 token，用类似语言模型的方式预测，也可以通过连续动作输出模块生成。
04 VLN
Vision-and-Language Navigation，视觉语言导航。智能体根据自然语言指令和沿途视觉观测，在环境中完成导航，它通常可以建模为部分可观测马尔可夫决策过程（POMDP） ，即智能体每一步只能看到局部环境，需要结合历史观测判断自己在哪里、指令执行到哪一步，以及下一步如何移动。这里的策略同样可以写成：
πθ(at∣o≤t, ℓ, st) \pi_\theta(a_t\mid o_{\leq t},\,\ell,\,s_t) πθ(at∣o≤t,ℓ,st)
但动作空间主要与导航有关，例如前进、转向、选择下一个可达位置、停止。VLN 的难点包括语言与空间目标的对应、历史记忆、路径规划和停止时机。评价通常关注任务成功率、导航误差，以及兼顾成功和路径效率的 SPL 指标。
05 WM
World Model，世界模型。在具身智能和基于模型的强化学习语境里，WM 的核心是学习环境如何随动作演化：
pθ(zt+1∣zt,at) p_\theta(z_{t+1}\mid z_t,a_t) pθ(zt+1∣zt,at)
这里 z_t 是环境状态或从观测中学习到的隐状态，模型预测在当前状态执行某个动作后，环境会转移到什么状态，某些世界模型还会预测奖励、终止信号或未来观测。世界模型可以在内部连续推演多步，形成 imagined rollout，供规划算法比较不同动作序列，或用于训练策略，它不一定生成可观看的视频，预测隐空间状态也可以实现这一目的。
06 AI Infra
AI Infra 是 AI Infrastructure 的缩写，指"人工智能基础设施"。 这个方向主要负责让模型的训练、推理和部署跑得更快、更稳定，消耗更少的计算与存储资源。
| 方向 | 主要解决的问题 | 典型工作 |
|---|---|---|
| 训练系统 | 模型如何高效地在多卡、多机上训练？ | 优化并行策略、通信、显存占用和检查点恢复 |
| 推理系统 | 模型如何以较低成本响应大量请求？ | 优化请求调度、批处理、KV Cache、量化和多卡推理 |
| 算子与编译器 | 模型内部的计算如何更高效地运行？ | 用 CUDA/Triton 写 GPU kernel，做算子融合和编译优化 |
| 计算与集群平台 | GPU 资源如何分配、共享和稳定运行？ | 任务排队、资源调度、容器管理、故障处理 |
| 机器学习平台 | 如何把实验、训练和上线流程标准化？ | 构建训练流水线、模型版本管理、部署与监控 |
这类工作的成果经常体现为训练吞吐、推理延迟、显存占用、资源利用率、稳定性和单位请求成本。
如果 JD 强调 CUDA、Triton、C++、体系结构，通常更偏底层计算；强调 PyTorch、分布式通信和并行策略，更偏训练系统；强调 vLLM、KV Cache、请求调度，更偏推理系统；强调 Kubernetes、任务调度和平台后端，则更偏平台工程。