如果把 AI 丢进一个没有标准答案的工程现场，它还能活下来吗？

长期以来，AI Agent 看起来无所不能，实则大多是在已知知识库里 " 翻记忆 "。

但真实的工程世界是残酷的：水下机器人的稳定性、动力电池的析锂边界、量子线路的噪声控制……这些问题没有 " 满分 "，只有" 更逼近极限的优化 "。

近期，Einsia AI 旗下 Navers lab发布的 Agent Benchmark ——Frontier-Eng Bench，正式撕掉了 AI" 做题家 " 的标签。

研究团队没有让 AI 刷那些陈旧的代码题，取而代之的是，给了它一套完整的 " 工程闭环 "：提出方案、接入仿真器、吃报错、改参数、重跑。

在47个多学科交叉的硬核任务面前，AI 必须表现得像资深工程师一样，在功耗、安全、性能的 " 不可能三角 " 中寻找最优解。

这不仅仅是一个测试集，它更像是一场关于 Agent" 进化 " 的预演。

当 AI 开始学会在反馈中自我修正，那个 " 人类提目标、AI 则 24 小时不间断迭代 " 的Auto Research时代，可能比我们想象中更近了。

AI 开始干 " 硬活 " 了

过去的大模型，更像一个超级学霸。

你抛出问题，它从海量训练数据里 " 翻记忆 "，然后拼凑成一个看起来很合理的答案。

这种模式下，大模型本质上是在玩 " 文字接龙 "，而非解决现实问题。

但 Frontier-Eng Bench 的出现，却让 AI 干起了" 工程优化 "的活儿。

流程转而变成了让 AI 先提出方案、再接入 simulator 跑实验、继而获取反馈和报错、修改参数和代码、再继续重跑，直到性能继续上涨。

在这种闭环系统中，AI 的身份发生了质变。

你想让水下机器人更稳定？AI 必须开始自动调控制器。

你想把机械臂速度再提升一点？AI 得自己跑仿真。

某种程度上，AI 们已经脱离了单纯的语义理解，开始像一个职业工程师那样，在真实环境反馈里做持续优化。

△Frontier-Eng Bench 总览

Frontier-Eng Bench 最有意思的地方在于：它测的不是 AI" 答对没有 "，而是AI 到底能不能持续变强。

因为真实的工程优化，从来不是做选择题，没有唯一的标准答案。

以电池快充为例，目标听起来很简单——充得越快越好，但现实没那么容易。

AI 必须在温度不能爆表、电压不能超速、电池寿命不能掉太快、还要避免析锂的严苛约束下，精准踩中性能的平衡点。

这意味着 AI 无法通过任何技巧性的 " 刷题 " 来通关，它必须在长程反馈中展现出持续进化的耐力。

那 AI 能不能在真实环境里做长期优化？

从结果来看，GPT5.4整体表现最稳，但距离把 Benchmark" 做穿 "，AI 们要走的路还很远。

△不同模型的详细评测结果 Auto Research 进入 " 迭代优化 " 时代

研究团队在论文里提了一个非常有意思的点：

真正高级的智能，本质上都依赖长期反馈闭环。

正如 AlphaGo 之所以能击败李世石，在于其每一步决策背后深不见底的海量模拟与即时反馈，而非对既定棋谱的死记硬背。

真正的科研也一样，顶级实验室并不依赖某一次的灵感爆发，而是不断地提假设、跑实验、看结果、改方案、再继续尝试。

工程优化也是同理，第一版往往谁都能做，真正难的，其实是最后那 1% 的性能跃迁。

Frontier-Eng Bench 的意义就在于：它第一次开始系统性地测试 AI 的 " 迭代优化能力 "，并总结出了两条近乎残酷的 AI 进化规律。

△工程优化的双重幂律衰减

第一个规律是：越往后，提升越难。

这篇论文发现，Agent 的改进频率和幅度都呈现幂律衰减：

改进频率∝ 1/ 迭代轮数

改进幅度∝ 1/ 改进次数

简单说就是：前面几轮涨得最快，后面越来越难、越来越小。

这很像真实研发过程，第一版 AI 能快速干掉大量 " 低垂果实 "，但越往后越接近瓶颈，想再抠一点性能都得下狠功夫。

那是不是多开几条路并行试错，会更划算？答案藏在第二个规律里。

△深度 vs 宽度

第二个规律：宽度有用，但深度更不可或缺。

并行多跑几条线能避免卡壳，但预算固定时，每多开一条链就会压浅深度。

很多工程突破需要靠持续积累、不断修正，才会出现结构性跃迁，并不是说靠 " 多试几次 " 就能实现。

这其实提示了我们下一代 Agent 的发展方向：不是 " 一次出答案 " 的模型，而是能在长程反馈里持续迭代、自我进化的系统。

AI 工程师，可能真的要来了

这项研究真正的深远意义，在于它初步勾勒出了一套开始接近真实工程循环的 AI 系统。

△Frontier-Eng Bench 体系概览

试想一下，当 AI 接入工业软件、仿真环境、CAD 系统、芯片设计工具、科学计算平台……

一场生产力模态的剧变便呼之欲出。

未来的实验室里，很可能会出现这样一种分工：

人类研究员负责提出方向和目标。

例如 " 把这个部件的能耗降低 30%"、" 把这个模型前向的 GPU 占用率压得更低 "、" 让机器人控制的稳定性再提升一点 "、" 让量子线路的保真度继续逼近极限 " 等等。

而 AI 负责 " 死磕路径 "，它们围绕这些目标，持续优化。

例如自动运行仿真与实验、自动读取 verifier 与 simulator 的反馈，再继续修改和优化，24 小时不停迭代。

这种进化逻辑，让 AI 摆脱了 " 辅助工具 " 的身份，开始像一个真正的工程团队那样去解决复杂系统问题，而且不知疲倦。

而 Frontier-Eng 这一 Benchmark 揭示的问题，其实也非常直接：

当 AI 开始学会 " 长期优化 "，它距离真正的工程智能，还有多远？

论文题目：Frontier-Eng: Benchmarking Self-Evolving Agents on Real-World Engineering Tasks with Generative Optimization

项目主页：https://lab.einsia.ai/frontier-eng/

Arxiv:   https://arxiv.org/abs/2604.12290

GitHub repo:   https://github.com/EinsiaLab/Frontier-Engineering

* 本文系量子位获授权刊载，观点仅为原作者所有。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见