AI智能体正在构建新颖的预测模型

Trends2026年3月6日星期五

一篇关于自我进化智能体SEA-TS的新论文刚刚在arXiv上发布。它不仅仅是另一个AutoML工具；它是一个自主发明卓越商业预测算法的框架。您的静态模型现在已成为一项负债。

Aleksey KlempnerCTO.LA

我有一天早上在卡尔弗城的Lodge Bread面包店，看着面包师们从烤箱中取出全麦酸面包。空气中弥漫着焦糖酥皮和长时间发酵产生的浓郁酸香。那面包之所以与众不同，不仅仅在于配方；更在于它的酵母。它是一个有生命的菌群，一个生态系统，经过多年演变，适应并发展出一种你无法用一包酵母速成的微生物复杂性。每块面包都承载着那段历史的记忆和精炼产物。那种酵母，以它自己的方式，是一个自我进化的系统。它不仅通过使用而变得更好，更通过不断适应环境而改进，面包师则充当策展人，引导其进化。

当我开车回到威尼斯办公室时，我仍在思考那种酵母，同时浏览着2026年3月第一周最新的arXiv上传。然后我看到了它。一篇题为“时间序列算法的自我进化智能体（SEA-TS）”的论文[3]。摘要内容密集，但核心思想是明确的：一个多智能体AI框架，它不仅仅运行预测模型，而是自主地进化它们，发现作者所称的“真正新颖的架构模式”[3]。它就像算法的酸面包酵母。这个系统不再仅仅从静态列表中选择最佳模型，而是像Lodge Bread的面包师一样，不断实验、改进和进化自己的方法，随着时间的推移创造出根本上更好的东西。对于任何依赖需求预测的商业品牌——也就是说，每个商业品牌——这篇论文都是一场无声的地震。您用于库存、人员配备和收入规划的核心逻辑突然间变得彻底过时了。

那么，一个AI构建AI？SEA-TS是什么？

让我们明确一点：这不仅仅是另一个增强版的AutoML工具。多年来，自动化机器学习（AutoML）承诺通过自动搜索预定义的模型架构和超参数来找到最适合数据集的模型，从而实现数据科学的民主化。像AutoKaggle或TPOT这样的工具本质上是复杂的暴力搜索算法[7]。它们在固定和人类定义的搜索空间内操作。它们擅长在已知边界内进行优化，但它们无法发明新东西。它们可以找到停车场里最好的汽车，但无法设计新发动机。

本周刚刚上传的论文（arXiv:2603.04873v1）中描述的SEA-TS，其操作前提完全不同[3]。它是一个专门针对时间序列预测这一棘手问题而设计的自进化智能体框架，这也是零售和DTC（Direct-to-Consumer）需求规划的基石。该框架是三项关键创新的综合，使其能够超越优化，进入真正的发现。

首先，它使用一个多智能体系统，其中不同的AI智能体扮演着专业角色。您有一个“编码智能体”，它生成和修改用于预测模型的PyTorch代码。这与一个“深度研究智能体”配对，后者可以即时从arXiv等外部知识库中检索信息，以指导编码智能体的选择[3]。这就像拥有一个初级开发人员，可以在编写一行代码之前立即阅读所有相关的教科书。

其次，搜索过程由所谓的度量优势蒙特卡洛树搜索（Metric-Advantage Monte Carlo Tree Search, MCTS）引导。这是一个关键的区别。AI中的传统MCTS可能会奖励智能体的任何边际改进。然而，度量优势MCTS则根据所选度量（例如预测的平均绝对误差）中的统计学上显著的改进来奖励搜索过程。这使得搜索更加高效和鲁棒，防止它追逐统计噪音[3]。这是一种更严谨、更有目的性的探索。

最后，也是最重要的是，它包含一个MAP-Elites质量多样性档案。这是秘密武器，相当于面包师的直觉。MAP-Elites不是仅仅寻找一个“最佳”模型（这个过程通常会被困在局部最优中），而是维护一个多样化的、高性能但结构不同的解决方案的群体[3]。档案沿着几个“表型维度”对模型进行索引——例如，模型如何处理衰减，或者它包含什么样的偏差。这迫使系统探索奇怪的、非常规的架构，这些架构是人类设计师或标准优化算法可能会忽略的。正是通过探索这些奇特的路径，SEA-TS才做出了最有趣的发现。

AI是否刚刚发现了一种预测销售的新方法？

SEA-TS论文中最具煽动性的论断是，该框架能够“发现超越现有技术的真正新颖的架构模式”[3]。这应该给任何CTO敲响警钟。AI更快或更高效是一回事；它更具创造性则是另一回事。作者提供了智能体发现的两个具体示例：“物理信息衰减头”（physics-informed decay heads）和“可学习的小时偏差”（learnable hourly bias）。

让我们在商业语境中解读一下。一个标准的预测模型可能使用简单的指数衰减来模拟促销活动影响的下降。效果在第一天最强，然后可预测地减弱。然而，“物理信息衰减头”可能是智能体发现的一种架构组件，它以不同的方式模拟衰减——或许使用研究智能体检索到的热力学或流体动力学原理。它可能会发现一种衰减模式，更好地反映病毒式营销活动的复杂社会传染，这种传染不会均匀衰减，而是具有回声和复苏。智能体并未被编程这些知识；它通过进化代码并根据数据进行测试来发现模式，并由MAP-Elites档案的鼓励新颖方法来引导。

对于拥有在线商店和实体店的任何零售商来说，“可学习的小时偏差”甚至更有趣。您的数据科学团队可能会手动为模型添加“一天中的小时”特征。您知道午餐时间和晚上销售会飙升。但SEA-TS可以做的是创建一个更加细致、可学习的参数。它可能会发现，对于您的洛杉矶商店，工作日下午2:30有一个微型峰值（放学后的家长高峰），但下午4:30有一个低谷（每个人都堵在路上）。对于您的纽约商店，模式则完全不同。由智能体进化的可学习偏差项可以自动捕获这些超本地、特定于商店的模式，而无需人类假设它们的存在。

当然，怀疑是合理的。有些人可能会争辩说，这些并非真正的“新颖”发明，而只是现有概念的巧妙组合，正如对其他智能体系统的一些批评所指出的那样[1]。他们可能会看到与旧模型（如Facebook的Prophet）中的变化点检测有相似之处。但这并没有抓住重点。革命不一定是全新数学的发明。革命在于自主性。该系统在极短的时间内完成了高度经验丰富、无限耐心、极具创造力的数据科学家所做的工作。当您的团队忙于手动调整您前50个SKU的特征时，SEA-TS已经为您目录中的所有10,000个SKU进化出定制的、SOTA（State-Of-The-Art，最先进）级别的预测架构，并且它正在发现您甚至不知道该寻找的模式。论文指出，它在公共基准上实现了“SOTA性能，并在行业数据集中取得了显著改进”[3]。最后一部分是应该让您彻夜难眠的。

自主研究者的商业AI架构

要理解为什么这是一个如此重要的飞跃，我们需要看看其架构。当今典型的AI管道，即使是使用检索增强生成（RAG）的复杂管道，也大都是线性的。用户查询通过向量数据库的数据进行丰富，然后LLM生成响应。这是一条单行道。

SEA-TS实现了一种循环的、进化的架构。它是一个持续改进的闭环。它不像工厂装配线，更像一个生物生态系统。

以下是反馈循环的简化视图：

这不仅仅是一个数据管道；它是一个用于生成和优化其他管道的引擎。将其与stratum这样的框架进行比较，后者擅长使用智能体优化ML数据管道[4]。SEA-TS在抽象链上更进一步；它正在优化建模逻辑本身。编码智能体和研究智能体之间的协同作用，由MCTS协调并由MAP-Elites策展，是其强大之处。这就是建造一辆更快的汽车与建造一个能够自行设计和建造更快的汽车的工厂之间的区别。

为什么度量优势MCTS很重要

标准搜索算法可能会被随机性愚弄。一个模型可能在单次运行中显示出0.1%的改进，算法就会追逐这个线索，即使这只是一个统计上的偶然。度量优势MCTS要求更高。它寻求统计上显著的改进，本质上是问：“这个新模型是否可靠地更好，还是它只是运气好？”[3]。这种纪律防止智能体在死胡同上浪费大量的计算时间。对于商业企业来说，这意味着进化的模型更有可能具有鲁棒性，并能很好地推广到未来未见的销售数据。

MAP-Elites的多样性群体力量

这是架构中最关键也最反直觉的部分。通过强制系统保存一个在不同方面表现良好的解决方案库——一个模型在预测闪购方面是超级明星但其他方面平平，另一个是全面表现者，第三个则极其简单和快速——它防止了AI出现近视[3]。这是一种内置的防止群体思维的机制。这种多样性是创新的温床。“物理信息衰减头”的出现很可能是因为系统被鼓励探索解决方案空间中一个“奇怪”的部分，而传统优化器（旨在追求一个单一分数）会立即放弃这一部分。这种优先考虑多样性和质量的架构选择，将SEA-TS从一个优化器提升为发现引擎。

您的需求预测与自我进化的预测

这对零售和DTC品牌具有巨大的实际意义。几十年来，需求预测一直是一个缓慢、手动且昂贵的过程。您的工作流程可能看起来是这样的：一个由昂贵的数据科学家组成的团队花费数周时间清理数据，手动设计数十个特征（假期、促销、季节性），测试少数几个模型（ARIMA、Prophet，也许是LSTM），最后部署一个。然后那个模型就放在那里，随着市场条件的变化而变得陈旧，直到下一次季度或年度审查。它是一个静态的世界快照。

SEA-TS驱动的工作流程是一个持续的自动化过程。它是一部电影，而不是一张快照。

特征	传统预测工作流程	SEA-TS进化预测工作流程
模型创建	数据科学家手动设计。选择3-5种已知架构（例如，Prophet，N-BEATS）。	多智能体系统自主进化。即时发现新颖架构。
特征工程	手动且假设驱动。（例如，“我们添加一个联邦假日特征吧。”）	自动化且涌现。无需人工输入即可发现“可学习的小时偏差”等复杂模式。[3]
更新频率	季度或年度。模型会随着市场条件变化而随时间退化。	可能每晚一次。模型可以持续重进化，以适应新数据和趋势。
知识来源	仅限于现有团队的专业知识。	可以通过研究智能体动态从整个公共机器学习研究语料库中获取。[3]
成果	一个足够好、能捕捉已知模式的模型。	一个最先进的模型，能捕捉已知和未知模式，提供“显著改进”。[3]
可扩展性	极其有限。一个团队只能专注于少数几个关键产品类别或区域。	极度可扩展。可以同时为目录中的每个SKU、商店和区域进化出数千个独特的定制模型。

当论文提到“在行业数据集中取得了显著改进”时，这不仅仅是学术上的吹嘘[3]。对于大型零售商来说，预测准确性提高5%可以转化为数千万甚至数亿美元的库存持有成本降低、缺货最小化以及更高效的营销支出。一个能够实现这些收益并持续改进自身的自主系统的前景，标志着商业AI架构理念的范式转变。

智能体式店面准备：您的堆栈能否处理有意识的预测？

那么，您在云中拥有了一个新的、自我进化的预测神。它每小时提供超精确的SKU级别需求预测。太棒了。然后呢？如果您的其他商业堆栈以每周批处理的方式运行，这项新功能将毫无用处。这就是**智能体式店面准备（agentic storefront readiness）**的挑战。

您当前的架构很可能很脆弱。您的预测工具与库存管理系统（IMS）或企业资源规划（ERP）之间的连接可能只是每天上传一次的CSV文件。您的定价引擎可能硬编码了三个月前由人类商品经理设定的规则。这行不通。

为了利用自主预测智能体，您的整个商业AI架构需要变得更像它：动态、实时和事件驱动。当SEA-TS智能体进化出一个新模型，预测某个特定SKU在未来72小时内需求将激增30%时，该预测需要触发一系列自动化操作：

库存与履约： IMS必须自动检查所有配送中心的库存水平，并在必要时发出警报，甚至自动向供应商生成采购订单。
动态定价： 您店面上的定价引擎应该能够接收此信号，并考虑进行微调价格调整，以最大化利润或缓和需求高峰，从而防止缺货。
营销自动化： 您的营销平台应自动将更多广告支出分配给该产品，或向特定客户群体触发电子邮件营销活动。

如果这些连接依赖于人工干预或缓慢的批处理过程，您将失去智能体创造的所有价值。真正的**智能体式商业（agentic commerce）**不是拥有一个聪明的智能体；它是构建一个互联互通、响应迅速的系统神经系统，能够根据智能体提供的情报采取行动。您静态的、单一的商业平台是薄弱环节。未来需要一个解耦的、API优先的架构，其中预测引擎只是一个更大、更智能网络中的一个节点。

这对您的品牌意味着什么

这不是2030年的问题。该论文本周刚刚发表[3]。像这样的框架以及随后不可避免会出现的其他框架，将在未来18-24个月内被打包成开源库和商业产品。您准备的时间有限。这不再仅仅是学术上的好奇心；它是对传统运营模式的直接威胁，也是那些为此进行架构设计的品牌的一个巨大机会。

那么，可操作的步骤是什么？您如何从 Lodge Bread 式的静态配方转向一个活生生、不断进化的酵母？

首先，您需要对您当前的预测和数据基础设施进行一次残酷的审计。您的需求预测来自哪里？是财务团队更新的Excel电子表格吗？是某人三年前编写的Python脚本吗？它所依赖的数据——您的销售历史、促销、库存水平——是否干净、细致，并且可以通过API访问？如果您的AI搜索结构化数据和分析一团糟，任何智能体都无法帮助您。整理您的数据管理是不可协商的第一步。

其次，是时候**建立一个AI体验实验室。**这并不是一个耗资数百万美元的大型研发中心。它是一个在您的云中沙盒化的环境，一个小型、专注的团队可以在其中开始测试这些新的智能体框架。从一个单一的、 நன்கு理解的问题开始，例如预测您前10个SKU的需求。让他们自由尝试SEA-TS、用于数据管道的stratum[4]以及其他新兴的智能体系统。目标不是立即投入生产部署；而是建立机构知识。您需要了解这些智能体如何思考，它们如何失败，以及如何安全地整合它们。

第三，您必须重新评估您的商业平台架构。如果您正在运行一个僵化、单一的平台，导致实时数据集成困难或不可能，那么您就有一个严重的问题。商业的未来是可组合和事件驱动的。您需要能够在无需重新搭建整个业务的情况下，替换像预测这样的核心服务。作为一名智能体式商业架构师（agentic commerce architect），这是我与每一位客户都在讨论的话题。在过去十年中为您提供稳定性的整体套件现在是一个牢笼，阻碍您拥抱新的智能体现实。

不安的未来是自主的

我们正处在一个引人入胜的转折点。我们最初构建了自动化手动任务的系统。现在我们正在构建自动化智力发现的系统。像SEA-TS这样的框架不仅回答问题；它发现了一种更好的提问方式。当您将其与其他智能体框架结合使用时，其影响将更加深远。想象一个主智能体，它使用stratum来构建最佳数据管道[4]，然后部署SEA-TS来进化定制的预测算法[3]，最后使用另一个智能体根据该预测运行营销活动。人类的角色将从建造者转变为问题空间的架构师——定义目标、约束和奖励函数的人。

您的数据科学团队不会在明天就被SEA-TS取代。但他们的工作将永远改变。他们将从模型构建者转变为模型构建智能体的策展人。他们将成为面包师，照料酸面包酵母，引导其进化，并确保最终产品不仅技术上正确，而且战略上合理。未来十年中获胜的品牌，将是从今天开始构建自己酵母的品牌。

CTO.LA与正在构建智能体式基础设施以支持这一未来的商业品牌合作。让我们谈谈吧。

参考文献

agentic commerce
commerce ai architecture
ai
machine learning

我们教AI构建预测模型，它发现了您的团队未曾察觉的模式