智能体自主研究用于小区边缘功率控制：重新定义研究者的角色

arXiv AI 发表论文，展示 AI 编码智能体通过 autoresearch 协议，全权负责无线资源管理算法的架构、损失函数、输入表示、输出参数化和任务采样，在 26 小时 81 次无人实验中，以较低推理成本达到参考性能的 99.5%，并发现可证明的最优结构。

此前机器学习算法设计依赖人工指定架构和训练细节，本研究表明这一设计层可完全交给自主智能体，且结果可靠、成本更低。这改变了研究者的工作方式，从手动调参转向监督自动研究流程，可能影响无线资源管理领域算法开发模式。

采用 autoresearch 协议：编码智能体编辑训练脚本，运行固定预算实验，根据单一不可变指标保留或丢弃更改。智能体对架构等有全权，配合哈希固定评估器、强制推理契约和预注册验证器确保可信。发现输出参数化在最小百分位处可复现最优分配，表明其学到可证明结构而非调参。

对无线网络优化产品，可大幅降低算法开发与调参人力成本，提升小区边缘吞吐量优化效率。固定预算与自动搜索可缩短实验周期。但需确保智能体运行环境稳定及结果可复现，以便集成到现有网络管理系统中。

• 将 autoresearch 智能体集成到无线网络管理平台，自动优化功率控制算法，降低人工调参成本。
• 开发基于该协议的自动化实验评估服务，为客户提供固定预算的算法优化方案。
• 利用其发现的参数化结构，设计更高效的推理模块，部署到边缘设备实现快速功率控制。
• 为电信设备商提供智能体辅助研发工具，加速新算法从研究到落地的转化。

• 智能体发现的结构是否适用于除功率控制外的其他无线资源管理任务？
• 固定预算实验设计的鲁棒性如何，是否受网络规模或信道模型变化影响？
• 论文是否经过同行评审，实验可复现性及代码开源情况未知？
• 智能体自主设计算法带来的安全与合规风险如何管控？