北京
OpenAI研究员、o1核心作者诺姆·布朗在最新播客访谈中谈及多智能体系统时表示：“Navier–Stokes千禧年难题的突破，10000个Agent最多占了10%的功劳。”
Navier–Stokes方程是描述流体运动的一类偏微分方程，也是克雷数学研究所公布的千禧年大奖难题之一。布朗透露，其团队用1万个Agent、耗时88小时、消耗1300亿token破解了这一难题。但他强调，该突破主要归功于底层模型的强大，多智能体最多只占10%的功劳。在业界普遍关注智能体数量扩展之际，这一判断显得尤为克制。
多智能体：并行扩展的得与失
布朗解释，多智能体本质上是将推理时计算从串行扩展转为并行扩展。串行扩展让模型逐步思考，耗时随推理深度线性增长；多智能体则将任务分发给多个Agent并行处理，以更多计算资源换取整体耗时的大幅缩短。他同时表示，这种方式效率略低，但能大幅缩短耗时。
不过，并行扩展的工程代价并不低。布朗提到，目前实验最多做到16个Agent，而扩展到1万规模的开销难以承受。这意味着，多智能体的数量不是可以任意放大的变量。算力成本、协同复杂度以及任务分发的收益衰减，都会限制其实际规模。对于试图以“堆Agent”提升模型表现的实践者而言，这是一个需要正视的约束。
强化学习的新挑战
布朗还认为，若模型聪明到一秒解题，将难以继续通过简单题目学习，这是未来强化学习面临的挑战。强化学习依赖模型在与环境交互中试错，通过奖励信号逐步优化策略。如果题目对模型过于简单，模型无需探索即可直接得出答案，学习过程就无法提供新的信息。随着基础模型能力持续跃升，如何设计足够有挑战性、又能稳定评估的任务，或将成为下一代强化学习的关键。
从这次发言看，多智能体在大模型应用中的价值应被置于更精确的位置：它改变的是推理时间的分配方式，而非创造额外的模型能力。底层模型本身的强度，仍是决定任务完成度的基础。正如布朗所说，多智能体最多只占10%的功劳——这一量化判断，值得行业重新思考相关资源和研发投入的优先级。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
