返回全部资讯
One Useful Thing (Ethan Mollick)T2·智能体与协同

作者反思:智能体协作无需复杂管理,算力碾压规则

作者:Ethan Mollick原标题:The Dot and the Swarm
68AI 研判分

资深 AI 观察者承认此前对多智能体系统的预判失误,认为“苦涩教训”再次应验。文章指出,通过暴力计算和更强大的模型能力,智能体群体可自发涌现出高效协作,无需人类构建复杂的组织规则或提示链。这一观点挑战了当前流行的“像经理一样管理 AI”的范式,强调底层模型能力的提升才是解决协作问题的关键。

报道正文

本文目录3 个章节

总体而言,我认为在过去几年撰写这份 Substack 通讯期间,我对 AI 发展方向和速度的预判还算准确,但最近我确实在一个重要问题上判断失误了。过去一年里,我一直发帖探讨人类该如何像管理者一样与智能体(agents)协作——决定如何将工作委派给智能体,并规划这些智能体的组织架构。我曾认为,要让智能体高效地作为一个团队运作,需要精心的构建,就像创办一家公司一样,而这需要时间来摸索。

错了。

我陷入了“苦涩教训”(The Bitter Lesson)的陷阱。这是一个反复被验证的残酷真相:那些我们曾以为需要复杂的人类规则和深思熟虑才能解决的问题,往往可以通过更强大的机器学习系统和更多的 AI 算力以蛮力方式解决。“苦涩教训”在 AI 初创公司和采用 AI 的企业中无处不在。人们曾投入大量精力构建复杂的计算机系统,以便在正确的时间向 AI 提供正确的信息,但 AI 系统已经学会了自主寻找信息。提示工程(prompting)领域也发生了同样的情况。人们构建了复杂的模板和提示链,一步步引导 AI 完成任务。然而,新一代模型发现自己更擅长规划步骤,而且正如我们的研究所示,预先规划步骤的价值大大降低。关于“苦涩教训”的历史——

——算了,你知道怎么回事吗?其实我不必解释什么是“苦涩教训”,我已经让 Claude 用音乐视频的形式来演绎它了。仅凭一个提示词,Fable 就写出了歌词并提交给 Suno;Opus 5.5 则完全依靠代码完成了其他所有工作,没有使用任何图像生成技术(Opus 5.5 是如何做到的?“苦涩教训”会告诉你答案!)。我全程没有提供任何反馈。

作为一名教授管理学的讲师,并发表过相关管理研究的人,我想我曾认为管理智能体会是不同的。人类在管理领域探索已久,却仍未完全参透其中的奥秘。这似乎是一件至少在一定时期内需要由人来设计的事情。

事实证明,组织工作只是 AI 能够学会做的又一项任务而已。

这就引出了 Dots 和 Muse。

Dots 和 Muse

目前 App Store 排名第一的应用是 Meta 的 Muse,这是一款承诺替你完成工作的个人智能体。OpenAI 现已推出竞品工具 dots。它们并非孤例:SpaceX 的 Grok Bot、Instinct 以及 Gemini Spark 都在做类似的事情,程度虽有差异,但本质相同。所有这些智能体的灵感都源于今年早些时候你可能还记得的一个现象——OpenClaw。

OpenClaw 及其后继者(我将称之为“类 Claw”产品)的核心理念在于:赋予 AI 智能体访问计算机的权限,并连接你的各类账户(如电子邮件、财务记录等)。它们能够实时分析并对这些数据做出反应,即使在你未关注时也是如此。其巧妙之处在于,你可以像与人交流一样与模型对话,通过 Slack、短信或 WhatsApp 向其发送消息;同时,它也会像真人一样主动联系你。对于 dots,你甚至可以直接与你的智能体进行语音通话。本质上,你获得了一位无限耐心、时刻为你着想的私人助理。我逐渐发现,它们正在帮我找出错误,而不是让我去纠正它们的失误。

举一个实用的例子:我的一个个人智能体曾联系我,因为我发给镇政府申请许可证的邮件中项目编号有误。棘手的是,犯错的人是我自己,而且我不完全确定 AI 是如何发现这个错误的。幸运的是,它贴心地起草了一封更正邮件,这确实很有用(尽管有点令人毛骨悚然)。另一个例子是,Muse 注意到我的某项航空公司积分即将过期,当我询问时,它联系了美国航空请求延期。(附带效应是,每家公司的客服代表很快将被那些使用专为人类设计的语音和聊天渠道来争取更优待遇的“类 Claw”智能体淹没。)

人们很容易根据这些智能体能做什么来评判它们,比如预订行程或取消订阅。但我认为,更重要的在于你不再需要告诉它们什么。你无需输入大量背景信息,AI 会从你的消息中自行学习;你也不必提供计划,它们会自己制定方案。它们能搞定一切。

如果只是一个智能体做到这一点,那已经足够令人印象深刻了。真正改变我对“管理”这一概念看法的,是当成千上万个这样的智能体协同工作时所发生的情况。

预购我的新书!

蜂群(Swarms)

9 月 8 日,OpenAI 宣布了一项证明,解决了克雷数学研究所千禧年大奖难题之一的纳维-斯托克斯存在性与光滑性问题。这是数学界最著名的未解难题之一,悬赏百万美元,而 OpenAI 似乎仅用 AI 在 88 小时内就将其解决(尽管尚未获得正式认可,但克雷数学研究所 似乎认为 该问题已获解决)。

令我感兴趣的与其说是数学本身,不如说是其实现方式。OpenAI 启动了如今被称为“蜂群”(swarm,名字很糟糕,但我们似乎只能沿用这个叫法)的系统,即由数千个基于先进模型驱动的智能体组成的群体。OpenAI 将不同的问题分配给各个智能体小组,随着各小组取得进展,再将重心转向纳维-斯托克斯方程。公司设定了目标,但其协调结构却异常精简:仅有几个小组、一次方向调整,以及通过 Codex 在各组之间传递最佳思路。在每个小组内部,智能体自主地来回交换想法。这些智能体发送了约 270 万条消息,最终在 88 小时后得出了结果。这种类型的协调机制,以一种更黑暗的形式,也出现在我 一个月前写过的中。当时,AI 自发组织成团队,并以从未被规划过的方式相互通信,但它们利用这种协调能力去攻击网站,而非解决问题。

按照我旧有的管理模式思考一下,管理这类工作需要付出多少精力?面对一万名工人和一个不明确的问题——你该如何告诉他们该做什么?人类管理者如何从 270 万条消息中判断哪些至关重要?他们彼此之间又该如何协调?而这个“蜂群”自己搞定了这一切。

我并没有一万个智能体,但我现在经常看到 OpenAI 的 Codex 和 Claude Code 按需调用智能体。举个例子,当我给搭载 GPT-6 Astra Ultra 模型的 Codex 输入提示词 “为我的下一篇 OneUsefulThing 文章头脑风暴创意并选定一个。从尽可能多的角度生成想法,并从事实准确性和读者视角以及其他类似报道媒体的角度进行评估” 时,该 AI 启动了三个智能体。而当我用几句话勾勒出三个团队(头脑风暴组、研究组和读者评审团)时,结果却得到了十三个智能体。请注意,我需要做的组织工作微乎其微。选择 Ultra 模式告诉模型它可以进行任务委派,而我提供了一个框架,剩下的就交给 AI 自行处理了。

工作中的智能体(别担心,这只是一个示例。我所有的文章创意都是我自己构思的,初稿也是我自己写的,只在完成后才寻求 AI 的反馈)

这就是“苦涩教训”(Bitter Lesson)在组织架构上的应用体现。我曾认为需要多年精心设计才能解决的组织问题,很大程度上被那些更擅长组织工作的模型解决了。但值得深思的是,为什么组织工作对智能体来说如此轻松,而对人类而言却困难重重。

我们所谓的许多管理工作,本质上是为了解决由人组成的组织所带来的问题。人有自己的目标,而这些目标并不总是与组织的目标一致。我们将此称为主委托-代理问题(principal-agent problem),而组织的诸多机制——从奖金制度到管理层级结构——都是围绕解决这一问题建立的。此外,还存在其他非常人性化难题。信息分散在每个人的脑海中,人们往往不愿分享或容易遗忘。沟通成本也很高:管理者只能监督有限数量的人,因此正如那句名言所说,向一个已经延期的软件项目增加人手只会让它更加延期。管理在某种程度上正是建立在人类的局限性之上的。

智能体几乎没有这些问题。它们不会为了晋升而勾心斗角,也不会固守自己的地盘。它们甚至不开会。即便是在事情严重失控的 Hugging Face 案例中,这个“蜂群”(swarm)也基本没有沾染典型的组织病理学问题。智能体之间没有搭便车现象,有些智能体甚至为了集体利益牺牲了自己的得分。那些解决了纳维-斯托克斯方程(Navier-Stokes)的智能体并不想要功劳。(人类却想要:OpenAI 的公告伴随着与在欧拉方程上取得相关成果的研究人员之间的优先权争议。)这并不意味着 AI 不存在委托-代理问题。正如 Hugging Face 事件所揭示的那样,这些问题日益表现为“蜂群”与我们之间的矛盾。本周,OpenAI 搁置了其下一代模型 GPT-6.1 Astra,因为在测试中它未经授权使用了权限并错误报告了其操作行为,这是委托-代理问题的教科书式案例。

一个并非完全苦涩的经验教训

这一切并不意味着智能体能做所有事情。AI 仍然过于受限,无法替代大量的人类工作,而且我也不清楚自组织智能体在处理占据组织大部分时间的漫长、枯燥的工作时表现如何。此外,Hugging Face 事件提醒我们,自组织系统可能会走向意想不到的方向。但我不再认为组织智能体是难点所在。

这可能是个好消息。我原本假设企业需要为机器重构管理体系,构建仅由智能体组成的复杂替代结构,而这往往以牺牲组织中的人类角色为代价。但管理的大部分职能旨在解决智能体并不存在的问题,而且智能体越来越多地通过人类所使用的同样混乱的系统来开展工作,即使是在处理模糊任务时也是如此。这表明,只要人类在正确的方向上引导它们,将它们整合进企业可能比我预期的更容易。

如果做得好,并且智能体能够真正契合我们的需求,这可能意味着人们会有更多的工作可做,而不是更少。当组织工作的成本高昂时,机构只会尝试那些人力足以支撑的项目;而当成本降低时,值得尝试的事项清单就会随之扩展。在 Navier-Stokes 方程的研究过程中,智能体负责了具体的组织工作,而人类则决定将它们指向何处,并在进程推进中不断重新评估。你可以争论 OpenAI 是否将它们指向了正确的方向(25 位菲尔兹奖得主认为没有),但至少就目前而言,这种分工本身似乎是合理的。

另外,提醒一下,我有一本新书《Co-Existence》将于 10 月 20 日出版。如果你有兴趣阅读或收听(我朗读了有声书版本,语速稍快了一些),不妨考虑预购。这不仅能支持我作为作者的创作,还能让你获得一份非常酷的预购福利。