2025少女野外调教，随着大说话模子技艺的迅猛发展，数据科学鸿沟正阅历一场静默的立异。传统的特征工程、模子考试与迭代优化进程，正被智能化的研发助手所调动。

在第三届 AIGC 产业峰会上，微软亚洲筹划院（MSRA）首席筹划员刘炜清带来了一项引东说念主防卫的筹划死亡—— RD-Agent，一个旨在"自动化、增强到重塑"数据科学研发进程的智能系统。

这项筹划源于一个执行问题：当大模子波澜席卷百行万企时，数据科学家们濒临着被颠覆照旧被赋能的取舍题。与其坐等被颠覆，MSRA 团队取舍主动探索，将 Agent 技艺转换为科研助理，为每位筹划员提供一个"杜撰助理"，承担那些高门槛但又叠加性强的研发责任。

从起初匡助筹划员已毕想法的诞生助手，到能够自主提议筹划标的的筹划伙伴，RD-Agent 正在以" AI 驱动数据驱动 AI "的形态，从头界说数据科学的责任进程。这不仅是一项技艺创新，更是对改日科研形态的一次斗胆探索。

为了完好体现刘炜清的想考，在不调动应许的基础上，量子位对演讲内容进行了裁剪整理，但愿能给你带来更多启发。

中国 AIGC 产业峰会是由量子位垄断的 AI 鸿沟前沿峰会，20 余位产业代表与会筹划。线下参会不雅众超千东说念主，线上直播不雅众 320 万 +，累计曝光 2000 万 +。

话题重心

RD-Agent 的三阶段演进道路：从运行的研发自动化，到现阶段的研发增强，再到改日的鸿沟重塑

双 Agent 结合框架：Research Agent 崇敬产生筹划想法，Development Agent 崇敬已毕和考据，造成了闭环迭代系统，大幅晋升数据科学筹划服从

数据驱动的才气增强：通过纪录和分析多样 idea 尝试的死亡数据，使系统能够卓绝"师法大家"的瓶颈，已毕真实的创新性打破

本色应用场景价值：从团队本身筹划服从晋升到匡助金交融作伙伴已毕论文自动复现考据，罕见是在 Feature Generation 等要津任务上达到 80-90% 的可用效果，展示了系统的实用价值

以下为刘炜清演讲全文：

发祥：以自动化为缠绵

环球早上好，我是来自微软亚洲筹划院（MSRA）的刘炜清。今天我给环球带来的筹划题目是大说话模子期间下的数据科学新引擎 RD-Agent，从自动化、增强到重塑。这三个要津词适值亦然状貌了咱们 RD-Agent 的发祥、近况和改日。

咱们起初从 RD-Agent 以自动化为缠绵的发祥起初先容起。起初先容一下咱们 RD-Agent 背后的团队，咱们团队从 2017 岁首起初与金融行业的各个鸿沟不同标的的公司进行深度的产业的科研的一些合作，环球对 2017 年这个时分有一些嗅觉的话，这适值是 AlphaGo 当年横空出世击败寰宇冠军，使百行万企有一个担忧，我方的行业会不会被 AI 所颠覆，同期也会有一些小的期待——会不会我方作念的业务有契机能够被 AI 所赋能的奇妙的一段时分。

咱们团队代表 MSRA 跟金融行业的合作伙伴们一王人探讨那时最先进的 AI 技艺少女野外调教，那时是 Deep Learning 深度学习的技艺，望望能不可对金融行业中枢的场景业务和问题进行一个智能化的升级。比较红运的是，咱们在多年的悉力底下照旧有不少筹划死亡得胜的落地，而且在合作伙伴本色居品和业务中间获取可以的效果。

咱们作念这些合作的过程中间会发现，本色场景产业落地中间遭逢的挑战和坚苦，并莫得很好地被学术界所庸碌关心到和很好地经管，咱们就会把这么的一类挑战进行综合，而且尝试对他进行经管，终末以学术论文的形态共享给业界以及学术界，匡助环球更多地关心这些中枢的挑战，以及匡助标的合手续的演进，作念出咱们我方的孝顺。

作念产业落地筹划的时候，咱们发现这一类的筹划径直去作念，可能跟真实场景会有很大的 GAP。咱们需要更好的基础神气、筹划框架才能匡助咱们作念有真不二价值的筹划，咱们以量化筹划为例子，那时发现公开可获取的基础神气筹划框架都不太能骄横需求后，咱们我方里面诞生了这么的一个筹划框架 Qlib，而且将它进行开源。比较红运的是获取社区里比较多的关心和认同，给了咱们很大的能源来合手续筹划和校正它。

回望昔日快要十年产业干系的应用和落地的责任，咱们主要的责任都是在数据科学和机器学习的范围。左边的图中所示，咱们常用范式即是在业务海量数据中间找出来有价值的特征，专揽这些特征咱们考试模子对其中的国法进行建模，从而得到智能化的经管决策服务于多样万般业务场景的需求。智能化经管决策的通盘诞生过程则所以迭代渐进的形态进行的，初版望望效果怎么样，凭据响应再校正下一版，迭代地得到最终的智能化经管决策。

当今咱们到了大模子的期间，这一波技艺的波澜与之前 AlphaGo 带来的那一波狂热比较，也带来了百行万企的新一轮的想考，有莫得可能这个行业会被颠覆，或者我方的业务有莫得可能被赋能。这一波技艺潮水从咱们我方的体感来看，会嗅觉咱们我方才气域的筹划东说念主员第一波受到的冲击其实很大的。大说话模子出来以后，好多合手续稳步发展多年的筹划鸿沟，已不雅察到冉冉有些式微，濒临好多挑战。这时候咱们我方也要计划，咱们我方的筹划鸿沟和标的这些东西是被颠覆照旧赋能？与其等着被颠覆，咱们尝试能不可用大说话模子对咱们我方的筹划进行赋能，就好像咱们之前研发的 Qlib 基础神气框架匡助咱们更好地作念干系筹划相通，这即是咱们 RD-Agent 起初以研发自动化为缠绵的想象初志。

在这么的初志底下，逸想情况下有了大说话模子，有了 Agent，是不是能够让每一个筹划员、每一个数据科学家都能有一个 Agent 为代表的科研助理或者筹划实习生，它来承担咱们闲居责任中间需要作念格外多的叠加、然则又有高门槛的责任。

具体来说，东说念主东说念主都有科研助理意味着东说念主东说念主都是雇主，雇主怎么来作念这么的一件事情呢？我有好像的想法，同期我手头上有一堆数据，我交给科研助理 Agent，帮我已毕一下望望想法怎么样。

当咱们有了正确代码的已毕，考试好了一个模子，同期对它进行正确的全面的评测以后，若是初版效果还可以，雇主睿智！初版效果太好也会想想是不是我有一些 Test Data 致使 Label 都 Leak 了，咱们得 check 一下有莫得 bug；效果太差的话，诚然得看一看是什么原因，是不是考试的时候 loss 都飞掉了。往往这些检巡逻证已毕的过程是需要多轮迭代才能得到最终的真是死亡的，这个过程需要比较高的门槛，同期也需要格外重荷又相对叠加的服务。

经过几个月的悉力咱们构建了 Agent 用具，匡助咱们我方在闲居筹划责任中间很大的服从的晋升，松开了好多细节已毕的包袱。当咱们已教悔证了能够赋能咱们我方筹划的时候，咱们就在想这个 Agent 有莫得可能真实赋能产业，赋能本色问题，咱们找到咱们合作伙伴看他们场景中间有莫得雷同的问题，咱们最终找到了论文或者筹划论说的自动已毕或者考据的问题，这个问题在与合作伙伴的相通中间发现，在他们闲居的研发责任中间每天都在发生的，比如说看到一个公开或者半公开的筹划论说或者论文，好像状貌了一个新颖的表率。同期在他们论文方位的阿谁数据集，假定叫数据集 A 上效果格外好，然则在他们我方自有的数据跟论文中所使用的数据不同，场景也有稍稍的离别，那它效果怎么样？这就需要从头已毕这个表率望望在我我方这边好不好使，往往这么的责任并不是通盘都能找到开源的代码，这时候需要我方来复现从头考据。这类的责任其实占用了他们研发过程中间格外多的元气心灵和时分。经过一段时分的悉力咱们会发现 RD-Agent 确乎能够很地面匡助到他们真实的闲居责任，让这个事情能够自动化晋升研发服从。

近况：为筹划员提供 AI 科研助理 / 为各行业提供 AI 自动研发团队

具体来看，咱们取舍的是一类属于 Feature Generation 的具体问题，这是咱们统计分析出来已毕每一个 idea 所需要写的中枢代码，其实也即是几十行的体量，咱们发现若是使用原生大模子作念这件事情险些不可能在直出的执行中作念对，经过好多校正和尝试，RD-Agent 系统能达到 80、90% 可用的效果。诚然咱们也不雅察到了带 reasoning 才气的大模子出来以后，模子的代码已毕才气得到很大的晋升，然则依然很难作念到一次就对，依然需要选拔咱们这种屡次迭代渐进的形态才能作念对。

有了第一阶段对我方的筹划过程进行赋能，以及对本色产业界的任务进行了赋能除外，咱们不太惦记会被颠覆了，咱们心想起初活络了，能不可作念更有价值的一件事情呢？现阶段咱们缠绵构建一个通用的数据科学或者机器学习的 Agent，认识为了增强东说念主类大家的才气和产出。怎么作念呢？在这一阶段咱们的缠绵是自动地作念新场景和新问题，而且合手续的校刚直下的经管决策，而不单是是当科研助理，只是是已毕东说念主类大家给出来的 idea。

蓝色部分可以看到，刚刚咱们行为科研助理 Agent 的部分，咱们叫作念 Development Agent，它是需要好像的 idea 的状貌，之前是依赖东说念主类大家给这么的状貌，我是不是也能依赖 Agent 给出研发的 idea 呢？橙色部分是咱们新加入的 Research Agent，它径直以现时咱们的任务和场景的状貌行为输入，来迭代产生 idea，而且凭据 Development Agent 来产生确现时 idea 下最终模子的真实效果来进行下一轮 idea 迭代的依据，这即是咱们合座的想象。但愿在很少的大家介入或者莫得鸿沟大家介入的情况下也能自动给出智能化的经管决策，这时候咱们就有了 RD-Agent 现时的通盘框架。

这个框架咱们在客岁底进行了开源，比较短的时天职获取比较好的关心，咱们取了一个 slogan，AI Drives Driven AI。

在这么的问题底下，咱们先作念了一个浮松的视频先容咱们 RD-Agent。 

改日：重塑数据科学

看了录屏以后确信环球对 RD-Agent 有了更直不雅的嗅觉， 刚刚说到现阶段的缠绵是研发增强，怎么增强东说念主类大家呢，光靠原生大说话模子作念不到，那么大说话模子作念不到什么咱们就补什么，比如咱们组里有 Kaggle Grand Master，咱们来望望说话模子作念不到，然则他能作念到的，咱们通过引入鸿沟常识和教悔而且优化咱们算法使咱们的 Agent 更像东说念主类大家而不单是是径直原生大说话模子的才气，这个技艺道路很灵验然则也有瓶颈，因为东说念主类大家作念这一类问题的时候亦然有瓶颈的，光靠师法是很难卓绝的。

比如咱们当今就发现，当迭代到某一轮数，经管决策还可以的时候，Agent 给出 5 个校正道路，东说念主类大家看的时候认为每个道路都很有酷好，咱们独一试一试才知说念最终的死亡，试完之后发现存些性能有增强，有些对性能反而有很大的毁伤。咱们有莫得可能通过数据驱动的形态把通盘探索的过程纪录下来，比如在什么情况下尝试了什么 idea，这么的 idea 最终对性能的晋升有莫得匡助，而且基于这些数据来增强咱们大模子或者 Agent 干系的才气，作念到比东说念主类大家对于什么样的 idea 效果更好，有更直不雅更准的判断。这么的话幸免咱们只是师法大家然则很难越过大家的瓶颈，从而让咱们有契机越过大家达到更好的效果。

当下咱们正在快速迭代快速演进咱们的干系想象，同期咱们也在同步考据现时 RD-Agent 的才气，由于时分问题我莫得办法把细节进行伸开，咱们在一些 Kaggle 比赛中间进行考据，咱们直不雅感受是这个 RD-Agent 照旧能够达到初阶从业者水平，比咱们战役到好多在校学生们才气显得更强一些。

改日咱们但愿咱们 RD-Agent 标的是什么？咱们奔着自主发现新表率的标的进行悉力，若是咱们能作念到这个标的即是能够重塑 Date Science 或者是 Machine Learning 鸿沟。据说围棋的棋手们当今也都随着 AI 学习怎么更好地棋战，即是重塑这个鸿沟。

怎么作念到这件事情？咱们尝试想象三阶段递次渐进的形态，从最起初自动化为初志，咱们为大家减少脏活累活，从而得到更高效的专注于创新。当下咱们作念增强的事情，咱们其实是尝试比大家能够更快地找到咱们的表率和场景和数据更好地匹配，更快地找到更优的表率。改日咱们生机通过不同的表率在各个场景、数据上推崇的不雅察、分析和贯穿校正现存的表率或者发明新的表率。真的到了这一步的时候咱们我方的鸿沟细目是被颠覆了，但由于咱们能够有才气发明更好的表率，确信这也能够扎塌实实地赋能到百行万企，看上去是挺好意思好的一个改日。以上即是我对于 RD-Agent 责任的先容，由于时分问题很难把好多细节进行伸开，也很难先容改日的权术，若是环球对咱们责任感风趣或者对咱们改日的发展想有一个关心的话，迎接环球关心咱们开源式样 RD-Agent。

今天我的演讲即是这些，谢谢环球。

一键三连「点赞」「转发」「留意心」

迎接在磋商区留住你的想法！

—  完  —

� � 点亮星标 � �

科技前沿进展逐日见少女野外调教