人工智能代理成为先进机器智能的新扩展法则

一名开发人员在又一次训练运行后，沮丧地靠在椅背上。他们花了几个月的时间微调大型语言模型、扩展数据管道、增加计算资源并反复调整基础设施。然而收效甚微，准确率仅略有提高。

这微小的进步却要付出惊人的代价：数百万的硬件投入、巨大的能源消耗和大量的碳足迹。很明显，收益已经开始递减--投入更多的资源已不再能带来成正比的进步。

多年来，在摩尔定律的推动下，更快的芯片和神经扩展定律（2020 年左右引入）承诺拥有更多数据和计算能力的更大模型会有更好的表现，人工智能的进步是可以预见的。扩大规模似乎是改进人工智能的直接秘诀。

然而最近，这个公式却失灵了。成本在飙升，性能提升在缩小，这种能源密集型计算对环境的影响更难忽视。许多研究人员现在怀疑，仅靠扩展就能引领人工智能的未来。

从单体模型到协作智能

GPT-4 和 Claude 3 Opus 等模型证明，大规模模型可以提供非凡的语言理解、推理和编码技能。但是，对它们进行训练需要数以万计的 GPU 运行数月之久，而这只有少数几个组织才能负担得起。规模优势仅限于那些拥有巨大资源的组织。

每瓦每美元的代币数等指标使问题变得十分明显：超过一定规模后，性能提升会逐渐减弱，而训练和推理成本则会激增。再加上日益加重的环境负担--巨大的电力消耗和碳排放--传统的 "越大越好 "的道路看起来难以为继。

压力不仅来自计算。大型模型需要大量的数据收集、密集的清理和长期的存储，这些都增加了成本和复杂性。大规模运行这些模型进行推理还需要昂贵的基础设施和持续的电力。这些因素加在一起表明，仅仅依靠不断扩大的单体模型并不是人工智能可持续发展的未来。

这种局限性促使我们关注智能在其他方面的发展。人类的大脑并不是一个巨大的处理器；它们是处理视觉、记忆和语言的专门区域的集合，这些区域各自独立，但又合作无间。同样，人类社会的进步靠的是集体的专业知识，而不是孤立的天才。这些例子表明，专业化和协作往往胜过规模。

人工智能的进步也离不开这一原则。研究人员正在建立由并行代理组成的系统，而不是依靠一个巨大的模型：每个代理都擅长一项功能，它们之间的协调能够更有效地解决问题。这就把重点从原始规模转移到了更智能的协作上，为效率、可靠性和增长带来了新的可能性。因此，并行人工智能代理标志着机器智能的一个实用、可持续发展的方向。

通过多代理系统扩展人工智能

多代理系统（MAS）由多个独立的人工智能代理组成，这些代理可在共享环境中自主或合作运行。每个代理可能专注于自己的任务，但也会与其他代理互动，以实现共同或相关的目标。从这个角度看，MAS 类似于我们熟悉的计算概念：就像多核处理器在共享内存中并行处理任务，分布式系统将不同的计算机连接起来以解决更大的问题一样，MAS 可以协调许多专门的代理，以实现一个共同的目标。

每个代理都是一个独立的智能单元：有的分析文本，有的运行代码，有的获取信息。但它们的力量不是孤立产生的，而是通过积极协作、交换结果、共享上下文和共同完善解决方案而产生的。因此，集体性能超过了任何单一模型所能达到的水平。

如今，新的框架支持这种演变。AutoGen 可让多个代理进行对话、共享上下文，并通过结构化对话解决问题。CrewAI 可让开发人员定义具有明确角色、职责和工作流程的代理团队。LangChain 和 LangGraph 提供了设计有状态流程的库和基于图的工具，在这些流程中，代理可循环传递任务、保持内存并迭代改进结果。

有了这些框架，开发人员就能摆脱单一模型的限制。他们可以设计动态协调的智能代理生态系统，为更智能地扩展人工智能奠定基础--强调效率和专业化，而不仅仅是规模。

并行人工智能代理的扇出与扇入

要了解并行代理如何协调，首先要考虑底层架构。扇出/扇入设计是一种强大的模式，它展示了如何将复杂的问题拆分成更小的部分，并发解决，然后重新组合成一个输出，从而提高效率和质量。

步骤 1：协调和任务分解

该流程从协调器开始。它接收用户的提示并将其分解为定义明确的子任务，确保每个代理都有明确的重点。

第 2 步：向并行代理分派任务

子任务向多个并行运行的代理扇出。一个代理可能分析 AutoGen，另一个可能探索 CrewAI 资源库，第三个可能研究 LangGraph 功能。这种分工既能缩短时间，又能提高专业化程度。

步骤 3：专业化代理的并行执行

每个代理都独立、异步地执行其任务，几乎没有干扰。与顺序处理相比，这种并行方法缩短了延迟时间，提高了吞吐量。

第 4 步：扇入和结果收集

一旦代理完成工作，协调器就会收集输出结果--来自不同来源的原始发现和见解。

第 5 步：合成和最终输出

最后，协调器将收集到的结果合成一个单一的结构化答案，删除重复内容，解决冲突，并确保一致性。

这种 "扇出/扇入 "模式与研究团队如出一辙：专家们各自为战，然后将研究结果整合为一个完整的解决方案。它说明了分布式并行如何提高人工智能系统的准确性和效率。

更智能扩展的人工智能性能指标

从历史上看，扩展主要通过模型大小来衡量--参数越多，性能越好。但在代理人工智能时代，新的衡量标准至关重要，除了纯粹的规模之外，还要关注合作和效率。

协调效率

衡量代理沟通和同步的效率。高延迟或冗余工作会降低效率；无缝协调可提高可扩展性。

测试时间计算（思考时间）

指推理过程中使用的计算资源。保持较低的计算资源对成本控制和实时响应至关重要。以较少资源保持准确性的系统更实用。

每个任务的代理

选择合适的代理数量非常重要。过多会造成混乱和开销；过少则会限制专业化。取得平衡是取得有效成果的关键。

这些指标共同表明，追踪人工智能进展的新方法已经从强调原始规模转向强调智能合作、并行执行和协作解决问题。

并行人工智能代理的变革性优势

并行人工智能代理为机器智能开辟了一条新的道路，其速度、精确度和弹性都超越了单个单一系统所能提供的能力。它们的实际优势已在各行各业显现出来，随着采用率的提高，其影响还将扩大。

通过并发任务执行提高效率

并行代理可同时处理多个任务，从而提高效率。在客户支持中，一个代理可同时查询知识库，另一个可同时提取客户关系管理（CRM）记录，第三个可同时处理实时用户输入。这种并发性可以产生更快、更全面的响应。SuperAGI 等框架展示了并行执行如何缩短工作流程并提高生产率。

通过协作交叉验证提高准确性

并行代理之间的协作可提高准确性。分析相同数据的多个代理可以交叉检查结果、质疑假设并完善推理。在医疗保健领域，代理可共同审查扫描结果、患者病史和研究成果，从而做出更可靠的诊断。

通过分布式弹性实现稳健性

分布式设计可确保在一个代理出现故障时系统不会崩溃。如果一个组件崩溃或速度减慢，其他组件会继续工作，这对于金融、物流和医疗保健等连续性要求极高的领域至关重要。

并行化带来更智能的未来

并行人工智能代理将效率、准确性和弹性结合在一起，实现了从企业自动化到科学发现的可扩展智能应用。这代表着人工智能设计的根本性转变--使系统能够更快、更可靠地运行，并具有更深入的洞察力。

多代理人工智能面临的挑战

尽管多代理人工智能系统具有可扩展性和适应性，但它们也带来了值得注意的挑战。在技术方面，协调众多代理需要复杂的协调。随着代理数量的增加，通信开销可能成为瓶颈。

新出现的行为也很难预测或重现，从而使调试和评估变得更加复杂。研究还指出了资源分配、架构复杂性以及代理相互放大错误的风险等问题。

除了技术障碍，道德和管理风险也随之而来。责任是分散的--当出现有害或不正确的输出时，往往不清楚责任在于协调者、单个代理还是它们之间的交互动态。

安全性是另一个令人担忧的问题：一个受损的代理可能会危及整个系统。监管对策正在出现；欧盟的《人工智能法案》可能会扩大代理架构的范围，而美国目前倾向于市场主导的方法。

底线

长期以来，人工智能一直依赖于大规模模型的扩展，但这一途径成本高昂，生态环境紧张。并行人工智能代理提供了另一种选择--通过协作提高效率、准确性和弹性。任务不是由单一系统完成，而是分配给专门的代理机构，由它们进行协调，以取得更好的结果。这种设计可以减少延迟，提高可靠性，并支持可扩展的实际应用。

尽管如此，多代理系统仍面临着各种障碍：协调方面的技术复杂性、错误责任的模糊性，以及如果一个代理出现连环故障而导致的更高安全风险。这些问题凸显了加强管理的必要性和新的专业领域（如代理工程）的必要性。在不断的研究和行业支持下，多代理系统有望成为人工智能下一篇章的核心轨迹。