Operator（算子）在 AI 领域主要指向两类热门方向：一是科学计算中的神经算子（Neural Operator），即用神经网络学习函数空间之间的映射，用于求解偏微分方程等连续问题；二是大模型语境下的 Agent/Operator 概念，指能够自主执行任务的智能体。当前两条路线都在快速演进，前者在工程方法上持续细化，后者则面临能力评估与交付标准的争论。
神经算子（Neural Operator）近期进展
Agent 与模型能力评估的讨论
当前焦点与观察点
围绕 Operator 的讨论目前集中在两个问题上。其一是神经算子能否真正进入工业仿真流程：HiRefPOU、NHMO 等工作表明方法层面已具备一定通用性，但在复杂几何、多物理场耦合等真实场景下的可靠性仍待验证。其二是智能体（Operator/Agent）的能力边界与评估标准：Trains but Doesn't Learn 一类基准揭示出 post-training 与实际交付之间的落差，而“通用模型即时训练专用小模型”的路线若被验证，可能改变算力分配和模型部署的整体格局。此外，算子学习与智能体两条技术线本身也在靠近——用神经算子做快速代理模型、再交由智能体调度，是社区中被频繁讨论的组合方向。后续值得观察的信号包括：算子学习在开源基准上的复现情况，以及主流模型厂商是否在产品层面明确引入可自主执行的 Operator 形态。