MirroS 发布 AgentGarten：让智能体在可执行的世界里“边玩边进化”

推开一块挡板，通道就此封闭；搬来一段坡道，高墙便有了越过的可能。每一次行动都会改变世界，而改变后的世界，又成为智能体下一次决策的起点。当这样的世界既能由代码构建、又能由扩散模型实时绘出，AI 就拥有了一座可以反复探索的“试炼场”。

这正是 MirroS 团队最新发布的 AgentGarten 所做的事。它将可执行的代码环境与实时神经渲染器连接起来：代码定义物理规则，模型生成视觉反馈，以超过 30fps 的吞吐，让智能体持续与世界交互。

一分钟速览

• MirroS 发布 AgentGarten，把“可执行代码环境 + 实时神经渲染”接成闭环。
• 物理交给代码、光影交给神经模型，兼顾确定性与画面真实感。
• 经典捉迷藏实验中，躲藏者第 4 轮学会搭掩体，搜寻者第 10 轮学会翻墙。
• 智能体在每轮结束后写下“实验手册”，把经验带进下一轮。

为什么智能体需要一个“能反复练手的世界”

想让 AI 真正理解物理世界，只靠海量视频远远不够。就像学游泳不能只看录像，智能体必须亲自下场：采取行动、观察结果、再决定下一步。这就需要一种具备物理因果确定性的环境——推开的箱子必须留在原地，封堵的通道必须不能通行。

当前两条主流路径各有短板：传统游戏与代码引擎状态精准、规则透明，但画面往往只有粗糙几何白模，要覆盖成百上千开放场景，美术与工程投入是天文数字；而视频生成式的世界模型画质惊艳，物理信息却隐式藏在网络记忆中，无法查询、难以干预，想让机械臂拧紧一颗螺丝都寸步难行。

代码推进世界，模型负责“看起来怎样”

AgentGarten 的解法是让两者各司其职。一次标准交互闭环中：智能体给出动作指令；代码环境立即计算碰撞与状态更新，并从第一人称视角导出一份轻量“几何草图”（空间深度或表面法线）；神经渲染器再读取草图与历史，实时合成画面。如此，物理的严谨与视觉的逼真被拆开，各自做到极致。

趋势洞察

当智能体拥有一个可以行动、试错并积累经验的世界，“智能如何在其中持续进化”就不再是哲学问题，而是工程问题。可执行环境、实时渲染与经验沉淀的闭环，很可能成为下一代智能体训练基础设施的标配。