智能体时代的数据系统：为、由和由智能体构建的数据系统
加州伯克利研究人员探讨了当AI推理成本趋近于零时，数据系统面临的三大挑战：为智能体设计的数据系统、由智能体组成的数据系统以及由智能体构建的数据系统。文章分析了智能体如何改变数据查询模式、需要新的记忆结构和协调机制，以及如何利用智能体合成定制数据系统，并展望了数据系统与智能体共同演化的未来。
推荐理由：当AI推理成本趋近于零，数据系统需重新设计以适应智能体主导的工作负载，这一转变将重塑数据架构与智能体协同方式。
#Agent
Berkeley AI Research精选AI 评分7070
Berkeley AI ResearchAI 评分3232 2026 BAIR 毕业生展示
Berkeley AI Research 实验室 2026 届博士毕业生在人工智能领域取得突破，研究方向涵盖机器人、大语言模型、计算机视觉等。毕业生将进入高校、工业实验室及初创公司，部分加入 OpenAI、Amazon 等企业。
Berkeley AI Research精选AI 评分7070 GRASP：基于梯度的世界模型长时程规划方法
伯克利AI研究团队提出GRASP方法，通过提升轨迹到虚拟状态、添加状态噪声和重塑梯度来解决长时程世界模型规划的脆弱性问题。该方法在长时程任务中取得了更高的成功率和更快的收敛速度。
推荐理由：原文提出了GRASP方法解决长时程规划中的梯度问题，读者可了解如何优化世界模型规划。