Explorative(探索性)是当前 AI 研究中一个高频出现的思路关键词,指让模型或智能体主动探索多样解空间,而非只朝单一目标收敛的方法论。它近期在分子生成、大模型预训练和多模态智能体强化学习三个方向上都有代表性工作落地,逐渐从一种泛泛的研究态度变成具体可操作的技术框架。
Explorative 在近期研究中的进展
当前焦点与观察点
从这三项工作看,Explorative 的核心争议与关注点集中在两处。其一,探索性与收敛性的权衡:BindMol 之类的多目标生成方法在提升多样性的同时,如何保证候选质量不被稀释,仍缺少统一的评价标准。其二,探索性能否成为一种可复用的训练范式:探索性建模被定位为“第三预训练轴”,但这一说法尚需更多下游任务验证;而智能体侧的探索性策略优化则表明,探索机制可能先在强化学习场景中成熟,再反哺预训练体系。对关注该方向的研究者而言,值得持续观察的是探索性目标如何在奖励设计、数据构造和评测基准三个环节被具体形式化,以及不同领域之间是否会出现共享的探索性框架。