AI 研究：在顶会持续发表论文

智能体的研究大多在基准上做：任务短、环境干净、不算成本。企业里的智能体要连续工作几个月，在真实的数据上执行动作，并且对成本负责。这两者之间有很大的空白。

研究是 AIDC 的一部分：每一篇论文都来自一个真实的问题，结论用回产品，产品再提出新的问题。

1. 我们已经公开了 6 篇研究（智能体记忆、语义图建模、分布式运行环境、多智能体编排、AI 的行业需求、智能体系统综述），每篇都有中英两版。研究问题比研究的人多得多。
2. 智能体每一轮的上下文平均约 21 万 token。上下文越长，越贵，也越容易出错。怎样在正确率不降的前提下把它压到十分之一，还没有答案。
3. 智能体在企业系统里「执行」这一步最弱：在 ADIS 的能力表里，执行一步平均只有 50 分（满分 100）。动作已经有了，但大多还要人去点。
4. 还没有一个基准能衡量「一个智能体在一家企业里连续工作一个月」的表现。我们有生产轨迹，但还没有把它变成可以公开的基准和数据集。

1. 问题来自生产，没有现成的基准和基线。你要自己定义问题，设计可以证伪的假设，找到最强的基线。
2. 结果要诚实：零结果和不利的结果照样写。一个好看的数字是不是真的，要靠你的判断和重复实验。
3. 写作是研究的一部分：一篇论文要让评审在十页里相信你的结论。我们要的是能持续写、愿意写、写得清楚的人。
4. AI 可以帮你查文献、写实验代码、改文字。但选什么题、什么值得做、什么结论站得住，要靠研究者的品味和判断。

1. 论文：每年至少 2 篇投到 NeurIPS、ICML、ICLR，或 ACL、EMNLP、OSDI、SOSP 等对口顶会，署名 AIDC。
2. 开源：每篇论文的代码与数据集公开，能复现主要结果。
3. 技术报告：中英两版发布在 ai-dc.ai/research。
4. 用回产品：每条研究线至少有一项成果在生产上测过，有前后的数字。
5. 研究资产：文献笔记、核对过的引用和可以复用的实验代码，进入共同的研究代码库。

1. 顶会投稿与录用的篇数。
2. 开源代码与数据集的使用：引用、复现和采用。
3. 研究用回产品后可以测量的改进：正确率、成本或延迟。
4. 研究报告的发布节奏：每季度至少一篇。

1. 在 NeurIPS、ICML、ICLR 至少发表过一篇论文，第一作者或共同第一作者优先；ACL、EMNLP、CVPR、OSDI、SOSP 等对口顶会同样认可。
2. 博士或在读博士优先。我们看论文和代码，不只看学历。
3. 对写作有热情：能持续写、写清楚，愿意把结果公开给同行检验。
4. 能自己写实验代码、跑实验、分析数据。

1. 你的论文（第一作者的优先）：会议、年份和你的贡献。
2. 你开源的代码仓库或数据集。
3. 一个你从零定义的研究问题：为什么重要，怎样证伪。