AI 代理成為先進機器智慧的新擴充定律

一位開發人員在又一次的訓練執行後，沮喪地靠在椅背上。他們花了好幾個月的時間來微調大型語言模型、擴充資料管道、增強運算資源，並重複調整基礎架構。然而收效甚微，準確度只有輕微的提升。

這微小的改進卻要付出驚人的代價：數百萬的硬體、龐大的能源消耗，以及大量的碳足跡。很明顯，回報已經開始遞減 - 投入更多的資源，卻無法獲得相稱的進步。

多年來，由於摩爾定律（Moore's Law）讓晶片的速度更快，以及神經擴充定律（2020 年左右提出）承諾更大的模型、更多的資料和運算會有更好的表現，人工智能的進步是可以預期的。擴大規模似乎是改進的直接秘訣。

然而最近，這個公式卻失效了。成本在飆升，效能提升在縮減，這種能源密集型運算對環境的影響更難以忽視。許多研究人員現在懷疑單靠擴充規模能否引導人工智能的未來。

從單一模型到協同智慧

GPT-4 和 Claude 3 Opus 等模型證明，大型模型可以提供非凡的語言理解、推理和編碼技能。但訓練這些模型需要數以萬計的 GPU 運作數個月，只有少數組織能夠負擔得起。規模的優勢僅限於那些擁有大量資源的組織。

每瓦每美元代幣等指標讓問題變得鮮明：超過一定規模後，效能提升會逐漸減緩，而訓練和推理成本則會激增。再加上不斷增加的環境負擔 - 巨大的電力消耗和碳排放 - 傳統的「越大越好」的路徑看來無法持續。

壓力不只在於計算。大型模型需要大量的資料收集、密集的清理和長期的儲存，這些都增加了成本和複雜性。運行這些模型進行大規模推理也需要昂貴的基礎設施和持續的電力。這些因素加起來，顯示單靠不斷擴大的單一模型，並非人工智慧的永續未來。

這個限制促使我們研究智慧是如何在其他地方演進的。人類的大腦並不是一個巨大的處理器；它們是由分別處理視覺、記憶和語言的專門區域所組成的集合，但卻合作無間。同樣地，人類社會的進步是透過集體的專業知識，而非孤立的天才。這些例子顯示，專業化與協作往往勝過單純的規模。

人工智慧也可以藉由接受這個原則而進步。與其依賴於一個巨大的模型，研究人員正在建立平行代理系統：每個代理都專精於某種功能，而它們之間的協作能夠更有效地解決問題。這將重點從原始規模轉移到更智慧的協作，為效率、可靠性和成長開啟了新的可能性。因此，平行 AI 代理標誌著機器智慧的實用、永續發展方向。

透過多代理系統擴展人工智能

多代理系統 (Multi-Agent System, MAS) 由多個獨立的 AI 代理組成，這些代理可在共用的環境中自主或合作運作。每個代理可專注於自己的任務，但也會與其他代理互動，以達到共享或連結的目標。從這個角度來看，MAS 類似於我們熟悉的運算概念：就像多核心處理器在共用記憶體中平行處理任務，以及分散式系統連結獨立的電腦以處理更大的問題一樣，MAS 協調許多專門的代理體以達成共同的目標。

每個代理程式都是獨特的智慧單元：有些分析文字，有些執行程式碼，有些則擷取資訊。但它們的力量並非孤立產生，而是來自積極的合作、交換結果、分享情境，以及共同改進解決方案。因此，集體效能超越了任何單一模型所能達到的效能。

如今，新的架構支援這種演進。AutoGen 可讓多個代理交談、分享情境，並透過結構化對話解決問題。CrewAI 可讓開發人員定義具有明確角色、責任和工作流程的代理團隊。LangChain 和 LangGraph 提供了設計有狀態流程的函式庫和圖形化工具，其中代理可循環傳遞任務、維護記憶並迭代改善結果。

有了這些框架，開發人員就可以擺脫單一模型的限制。他們可以設計出動態協調的智慧型代理體生態系統，為更智慧地擴充人工智慧奠定基礎 - 強調效率與專業化，而不只是規模。

平行 AI 代理的扇出與扇入

為了掌握平行代理如何協調，請考慮底層架構。扇出/扇入設計是一種強大的模式，可顯示複雜的問題如何分割成較小的部分，同時求解，並重新組合為一個輸出，以提升效率與品質。

步驟 1：協調與任務分解

此流程由協調器開始。它會接收使用者的提示，並將其分解為定義明確的子任務，確保每個代理都有明確的重點。

步驟 2：分散至平行代理程式

子任務分散至多個平行運作的代理程式。一個代理可能分析 AutoGen，另一個可能探索 CrewAI 儲存庫，第三個可能研究 LangGraph 功能。這種分工方式可縮短時間並加強專業化。

步驟 3：專業代理程式的平行執行

每個代理程式都會獨立、異步地執行其任務，很少受到干擾。相較於順序處理，此平行方法可縮短延遲時間並提昇吞吐量。

步驟 4：扇入與結果收集

一旦代理完成工作，協調器就會收集輸出 - 來自不同來源的原始發現和洞察力。

步驟 5：合成與最終輸出

最後，orchestrator 會將收集到的結果合成為單一的結構化答案，移除重複、解決衝突並確保一致性。

這種扇出/扇入模式反映了一個研究團隊：專家分開工作，然後將結果結合為一個完整的解決方案。這說明了分散式並行如何提高 AI 系統的精確度與效率。

更聰明擴充的 AI 效能指標

歷史上，擴充主要是以模型大小來衡量 - 參數越多代表效能越好。但在代理式人工智能時代，新的指標是必要的，除了純粹的規模之外，還要著重於合作與效率。

協調效率

衡量代理如何有效地溝通與同步。高延遲或多餘工作會降低效率；無縫協調則會提升可擴展性。

測試時間運算 (思考時間)

指推理過程中使用的計算資源。保持低耗是成本控制和即時回應的關鍵。以較少的資源維持精確度的系統較為實用。

每個任務的代理程式

選擇適當的代理體數量非常重要。太多會造成混亂和開銷；太少則會限制專業化。取得平衡是有效成果的關鍵。

這些指標合在一起，標誌著追蹤人工智能進展的全新方式，將重點從原始規模轉移到智慧合作、平行執行與協同解決問題。

平行 AI 代理的變革優勢

平行 AI 代理為機器智慧開闢了一條新的道路，其提供的速度、精確度與彈性超越了單一單體系統所能提供的。其實際效益已在各行各業中顯現，並隨著採用的增加而擴大影響。

透過並行任務執行提高效率

平行代理可同時處理多項任務，從而提高效率。在客戶支援中，一位代理可同時查詢知識庫、另一位可同時擷取 CRM 記錄、第三位則可同時處理使用者的即時輸入。這種並行方式可以產生更快速、更徹底的回應。SuperAGI 等框架展示了平行執行如何縮短工作流程並提高生產力。

透過協同交叉驗證提高準確性

平行代理之間的協同合作可提高精確度。分析相同資料的多個代理可以交叉檢查結果、挑戰假設，並完善推理。在醫療照護方面，代理可共同檢閱掃瞄、病患病歷和研究結果，從而做出更可靠的診斷。

分散式彈性的穩健性

分散式設計可確保系統不會因為一個代理程式失敗而崩潰。如果一個元件當機或速度減慢，其他元件仍可繼續運作，這對於連續性極為重要的金融、物流和醫療照護而言，是非常重要的。

以平行性創造更智慧的未來

透過結合效率、準確性與彈性，平行的 AI 代理可實現從企業自動化到科學發現的可擴充智慧型應用。這代表著 AI 設計的基本轉變 - 讓系統能夠更快速、更可靠地運作，並具有更深入的洞察力。

多代理人工智能的挑戰

雖然多代理人工智慧系統具備可擴充性與適應性，但也帶來了值得注意的挑戰。在技術方面，協調眾多代理需要精密的協調。隨著代理體數量的增加，通訊開支會成為瓶頸。

新出現的行為也很難預測或重現，使得除錯和評估變得複雜。研究指出了資源分配、架構複雜性以及代理相互擴大錯誤的風險等問題。

除了技術障礙之外，道德與治理風險也隨之而來。責任是分散的 - 當發生有害或不正確的輸出時，往往不清楚責任是否歸咎於協調者、個別代理，或是他們的互動動態。

安全性是另一個憂慮：一個受損的代理程式可能會危及整個系統。法規反應正在出現；歐盟 AI 法案可能會擴大代理架構，而美國目前則偏向市場導向的方法。

底線

人工智慧長期以來都傾向於擴大大型模型，但這條路成本高昂且生態環境緊張。平行 AI 代理提供了另一種選擇 - 透過協作提升效率、準確性與彈性。與其使用單一系統，不如將任務分派給專門的代理，由代理協調以獲得更優異的結果。這種設計可減少延遲、加強可靠性，並支援可擴充的實際應用。

然而，多代理系統仍面臨著許多障礙：協調的技術複雜性、錯誤責任的模糊性，以及如果一個代理的故障連鎖發生時所增加的安全風險。這些憂慮突顯出需要更強大的管理和新的專業領域，例如代理工程。在持續的研究與產業支持下，多代理系統將成為人工智慧下一章的核心軌跡。