TL;DRDeep research 從『幫你搜資料』到『幫你做研究』已經發生了。但下一步更大：agent 自我進化、群叢協作、科學自動化。這篇看三個方向，以及一個 uncomfortable 的現實：Gartner 預測 40% 的 agent 專案會在 2027 年前被取消。
系列: Deep Research 前沿 (15 / 15)
這是系列的最後一篇。前面 14 篇從全景、訓練、架構、工具、評估、應用層層深入。
這篇看未來。不是預測，而是從當前趨勢推導可能的走向。
已完成 vs. 還沒做到
先誠實面對現狀：
| 已經做到 | 還沒做到 |
|---|---|
| 從網路搜尋並綜合報告 | 自主提出原創假說 |
| 跨來源交叉驗證 | 自主設計並執行實驗 |
| 產出帶引用的報告 | 自主投稿並通過同行審查 |
| 持續搜尋直到「滿意」 | 持續改進直到「正確」 |
Deep research agent 目前是強大的助手，但還不是自主的研究者。
方向一：自我進化 Agent
從工具到主體
AREX 已經示範了「雙循環自我改進」的原型。下一代是：
自我進化 agent：不僅能修正自己的錯誤，還能修改自己的策略、架構、甚至學習方法。
從搜尋結果看：
- Self-Evolving Agents 調查（Gao et al., 2025, 277 引用）：確立了「什麼時候、怎麼樣、在哪裡進化」的框架
- AlphaEvolve：coding agent 發現新的演算法
- AutoResearchClaw：自動化整個科學生命週期，從假說到 NeurIPS -ready PDF
- FARS（Analemma AI）：跑了 417 小時，產出 166 篇 AI 生成論文
關鍵問題
自我進化的邊界在哪裡？
- 安全的自我進化：修改策略但保留核心價值觀
- 不安全的自我進化：為了「表現更好」而改變行為，可能產生意外後果
- 人類監督的角色：進化到什麼程度需要人類批准？
方向二：群叢協作
從單一 agent 到 agent 群
Claude Code 的 deep research 已經觸發了 199 個平行 sub-agent（雖然是意外的）。未來的 agent 群是有意識的群叢：
- MiroThinker：多模型協作，BrowseComp 75.3 分數
- MiroFlow：5+ 基準榜首，支援多種模型
- SWARMRESEARCH：編排 coding agents 做開放式發現
- MiroFish：$1 以下的群叢智慧引擎
群叢 vs. 單一 agent 的取捨
| 群叢 | 單一 agent | |
|---|---|---|
| 廣度 | 優（多 agent 平行探索） | 限 |
| 深度 | 可能分散 | 優（專注一條路） |
| 成本 | 高 | 低 |
| 一致性 | 難維持 | 高 |
| 適用 | 需要多角度 | 需要縱深 |
不舒服的現實
Gartner 預測：到 2027 年底，超過 40% 的 agent 專案會被取消。原因通常是「群叢被用在了錯誤的任務上」。
不是技術不行，而是什麼時候該用群叢、什麼時候不該，目前還沒有被充分理解。
方向三：科學自動化
從研究助手到研究基礎設施
最終，deep research agent 的終極形態不是「幫你做研究」，而是成為科學基礎設施的一部分：
假說生成 → 實驗設計 → 自動執行 → 數據分析 → 論文撰寫 → 投稿審查每個步驟都由 agent 負責，人類只做最終判斷。
已經在做的事
- FARS：417 小時產出 166 篇論文
- AutoResearchClaw：自動化整個科學生命週期
- FAROS (OpenNSWM-Lab)：藍圖驅動的 AutoResearch runtime
- AlphaEvolve：發現新演算法
關鍵挑戰
- 可重現性：AI 生成的實驗能重現嗎？
- 誠實性：AI 會偽造數據嗎？
- 歸屬：AI 生成的論文作者是誰？
- 品質控制：誰來審查 AI 審查的結果？
三個方向的交匯
自我進化 × 群叢 × 科學自動化 = 自主科學研究基礎設施
自我進化的 agent 群 → 自動化科學流程 → 從假說到論文全自動但這也帶來了根本性的問題：
當 AI 能自主做科學研究的時候，人類的角色是什麼？
可能不是「被取代」，而是「升級」——從做研究變成提問題、設定方向、判斷價值。
不舒服的真相
最後一個觀點，來自多個來源的交叉驗證：
- Gartner：40% agent 專案在 2027 前取消
- 企業回滾率：74% 企業已經回滾了生產環境的 AI agent
- 技術 vs. 應用：技術進步快於應用成熟度
- Skill 碎片化：10+ 個 deep-research skill 代表方法論還沒收斂
技術已經準備好了，但人類還沒準備好怎麼用。
對我們的意義
這個系列的 16 篇文章本身就是在做一件事：幫助讀者理解這個領域，從而做出更好的判斷。
最終目標不是讓讀者「知道所有細節」，而是讓讀者：
- 知道有什麼可以選
- 知道每個選擇的取捨
- 知道什麼時候該用什麼
- 知道未來可能會怎樣
參考資料
- A Survey of Self-Evolving Agents — Gao et al., 277 引用。
- AgentSwarm Playbook 2026 — 群叢應用地圖。
- AlphaEvolve — Coding agent 科學發現。
- FARS (Analemma AI) — 417 小時、166 篇論文。
- AREX: Towards a Recursively Self-Improving Agent — 本系列 order 3，雙循環原型。
- deep-research-survey-overview — 本系列起點：三階段全景分類。
Glossary
Loading...