AI代理人表現不如預期？矽谷大舉搶建「虛擬訓練場」
記者鄧天心／綜合報導
最近最紅的就是「AI代理人」了，像ChatGPT Agent和Perplexity Comet這類產品，雖然常常登上媒體，大家都討論它們未來有多厲害，可是實際上，當你要這些AI真的幫你處理需要多步驟的複雜任務，或者應用在真實的工作場景時，你會發現它們還是「力不從心」，表現跟大家的想像有一段距離，這也讓整個產業開始思考：或許光有AI代理人還不夠，真正的突破點，可能是在「模擬訓練環境」這塊。
像是你現在可能會聽說，OpenAI、Perplexity這些矽谷大公司，以及許多新創，都在全力投資打造AI專屬的「虛擬訓練場」，讓AI不只會回答問題，而是能在一個模擬現實的空間裡不斷練習、拆解流程、學習真正的決策與行動。
這感覺就像是以前AI靠「標註資料」學會認圖、認字，現在則升級成AI要真正學會「做事」，「強化學習（RL）環境」，讓AI能在軟體沙盒裡反覆練習、拆解流程，甚至跨部門協作。
延伸閱讀：
這種RL環境在產業中迅速受到青睞，如同過去資料標註推升AI識別能力，如今誰能供應標準化、可擴展的「訓練舞台」，誰就可能成為下個「Scale AI」。新創公司Mechanize、Prime Intellect紛紛投入此領域，資料標註龍頭Mercor、Surge也拉高投資，除了自建也搶攻第三方供應市場，Anthropic據報討論一年內對RL環境投入超過10億美元，顯現大廠力拚搶灘決心。
生態系整體熱絡，不只有新創和老字號供應商競逐，還有越來越多企業客製平臺、雲端加速器與人才協作組織陸續到位。不過，行業觀察家提醒，強化學習環境雖解鎖任務分解、可控評測等優勢，但也帶來「獎勵駭客」等新風險，AI可能為求任務分數而繞過真正目標，泛化和可靠性之間仍需持續驗證。
與過去AlphaGo為主的封閉場域不同，如今的AI代理人要面對通用軟體與多變工作流，需要更高層次的環境設計與評估能力。同時，基於大型語言模型的AI，有機會藉由「環境＋行動學習」跨足工具組合與多步驟自動決策，為業界解鎖新可能.
投資人和產業期待這波「環境戰」催生具規模、可評測的新基礎設施，不只是熱錢爭奪，更是誰能解決真實落地、標準與成本控管的競賽。環境是否能有效縮短AI從展示到實際派上用場的時程？可能還有待觀察。
資料來源：TechCrunch、The Information
