从代码到物质:21岁工程师谈大模型如何让AI改变物理世界
康斯坦丁·马伦琴科曾在Echelon构建企业级AI流水线,他坚信:要让AI走出屏幕,需要的不是狭窄的模型,而是能够规划并控制现实流程的灵活智能体。他呼吁将物质视为可以被“编辑”的代码,但也提醒:在这里,犯错的代价要高得多。

从代码到改变物理世界
现代人工智能已经能熟练编写代码、分析文档并自动化日常事务。但真正雄心勃勃的下一步,是教会模型作用于现实物体,而不仅仅是数字系统。这正是21岁工程师康斯坦丁·马伦琴科眼中的未来。他的论点很简单:人类应该能够像编码代理编辑程序代码一样自然地“编辑”物质。

非典型职业生涯:从游戏到AI基础设施
康斯坦丁的经历不同于专业院校毕业生的标准路径。他离开了乌克兰,有意没有上大学,八岁时就开始编程。十二岁时他完成了成人课程,十四岁获得第一份工作,十五岁创立了一家移动游戏公司。公司运营了四年,有营收也有员工——对青少年来说,这是一堂极其高强度的管理速成课。
下一阶段是加入AI初创公司Echelon,康斯坦丁成为首批工程师之一。他参与构建企业AI管道的核心,并负责企业客户的上线引导。团队最终扩展到十二人,并签下多个企业合同。但重要的不是数字,而是康斯坦丁从这段经历中得出的结论:真实系统不会以完美、现成的格式呈现。它们的结构需要去发现,而不是直接拿来用。
游戏背景也塑造了他的世界观。即使在看似一切可控的移动游戏中,用户行为也无法提前预测。人们的行为总是出人意料,这让人对预测保持谨慎。如果连数字产品都不可预测,物理世界就更不用说了。
为什么“窄”模型不够用
许多机器人和自动化项目走的是训练高度专业化模型的路子:一个用于特定的机械臂,一个用于某台机床,还有一个用于零件分拣。康斯坦丁认为这种方法有局限。物理世界并不“窄”,它多变、复杂,不断带来新情况。
大型模型可能成为灵活的替代方案。它们在窄任务上可预测性较差,但擅长泛化、将知识从一个领域迁移到另一个领域,并适应上下文。而编码代理则提示了如何构建交互:代理不只是给出答案,而是规划变更、执行变更、验证结果,必要时还会回滚。
改变物理环境的系统也应如此运作。理念是让AI帮助人类规划操作、选择参数、测试假设并监控过程——而人类始终是最终决策者。

真实数据不容马虎
企业AI管道的工作还揭示了另一件事:“脏”数据和不确定性是常态,而非例外。企业很少提供整齐标注的数据集。更常见的是零散的记录、不同的格式、人为因素和不完整的说明。工程师不应等待理想条件,而要能从混乱中提取结构。
在软件中,错误通常可以用下一次提交来修复。在物理世界中则完全不同:材料、资源、机器和环境的变化可能是直接的、不可逆的。因此构建这类系统必须格外谨慎。最好从小步骤开始,在仿真中验证假设,然后再迁移到真实物体上。
AI越强大,人类判断越重要
康斯坦丁谈到的主要悖论,是随着AI工具增强,人的角色问题。乍看之下,模型越聪明,专家参与就越少。实际上恰恰相反:AI能力越强,选择正确任务并判断它是否值得解决就越关键。
在移动游戏中,推出一项不受受众欢迎的功能很容易,而且很快会得到负面反馈。在真实系统中,错误决策的代价要高得多。因此,这位年轻工程师设想的未来不仅关乎加速开发,还关乎更精准、更负责任的变更管理。AI可以成为伙伴而非独裁者:它负责规划、调优、测试和监控,但人类保留最终决定权。

也许很快,编写提示词将不再像向聊天机器人提问,而更像绘制未来变更的蓝图。关键在于,在这些工具大规模进入生产、能源和城市环境之前,尽早培养谨慎的文化。物理世界太重要了,不能允许模型在它上面通过试错来学习。
常问问题
相关材料
所有材料
OpenCollab:可编程智能体协调、受控执行环境与规程遵循度指标
该框架将智能体交互结构的设定、统一的实验环境和详细的事件追踪整合在一起;新增的 Adherence 指标则反映实际执行与声明方案的符合程度。在基准测试中,Duo 配置达到新的 SOTA 水平,而单智能体版本的 token 消耗量最低。
11 十一月 2026
Toollery:从数万种选项中为 LLM 智能体挑选工具,无需微调
Toollery 根据技能和工具的描述构建搜索索引,并在收到请求时只向模型传递有限的一组候选项。在规模达数万个函数的库上进行的实验表明,该方法在固定 top-K 的情况下能够保持选择质量,但最终效果取决于负载特征和服务提供商的缓存情况。
11 十一月 2026
WILSON:整合患者的放大图像和切片,用于病理形态学分析和报告生成
这篇预印本介绍了 WILSON——一种视觉语言模型,可对整张玻片图像以及同一患者在不同放大倍率下的一系列切片进行编码,而不只是单张“最佳”切片。无需针对特定任务进行微调,它在多项指标上超越了专用且规模更大的切片模型,同时计算负载显著更低;其诊断描述也获得了病理学家更高的评价。
11 十一月 2026