henry 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

人多，好辦事。agent多，照樣好辦事！

在最新的Andrew’s Letters中，吳恩達(dá)老師就指出：并行智能體正在成為提升AI能力的新方向。

信中，他描繪了這樣的一些場(chǎng)景：

• 多個(gè)agent并行抓取分析網(wǎng)頁(yè)，更快速地生成深度研究報(bào)告。
• 多個(gè)agent協(xié)同處理代碼庫(kù)的不同部分，加快編程任務(wù)完成速度。
• 多個(gè)agent在后臺(tái)并行工作，同時(shí)由一個(gè)監(jiān)督agent向用戶提供反饋，實(shí)現(xiàn)并行異步控制。

在這些場(chǎng)景中，多個(gè)agent協(xié)作，就像一支高效的agent team同時(shí)處理不同任務(wù)，速度快、效率高。

這為我們理解AI能力的提升提供了新視角——

不僅僅依靠更多的數(shù)據(jù)和算力，更重要的是讓多個(gè)智能體協(xié)同并行工作。

并行智能體才是未來(lái)

以往，當(dāng)我們談?wù)揂I能力的提升時(shí)，更多依賴(lài)的是所謂的“力大磚飛”的scaling law，也就是希望通過(guò)更多的數(shù)據(jù)和算力來(lái)獲得性能的提升。

據(jù)吳恩達(dá)所說(shuō)，這一點(diǎn)在他之前在百度和OpenAI的工作中，已得到了充分驗(yàn)證。

但問(wèn)題是，這些方法往往需要長(zhǎng)時(shí)間才能輸出結(jié)果。

相比之下，并行運(yùn)行的agent提供了另一種方式：在提升性能的同時(shí)，讓用戶無(wú)需長(zhǎng)時(shí)間等待結(jié)果。

此外，大語(yǔ)言模型token成本的不斷下降，也讓多個(gè)agent并行處理的方法變得可行。

但就像網(wǎng)友指出的：如何協(xié)調(diào)多個(gè)agent呢？

咱光給方向，不給答案也不行啊。

對(duì)于這一疑問(wèn)，吳恩達(dá)在信中也是有所提及：因?yàn)槟呐聦?duì)于人類(lèi)來(lái)說(shuō)，將一個(gè)復(fù)雜任務(wù)（比如開(kāi)發(fā)復(fù)雜的軟件應(yīng)用）拆分成小任務(wù)并交由下面的多個(gè)工程師并行完成，都就極具挑戰(zhàn)，而一旦擴(kuò)展到更多的并行單元，那么難度將會(huì)更大。

同樣的，將任務(wù)分解給多個(gè)智能體并行執(zhí)行也并不容易。

不過(guò)，凡事要用發(fā)展的眼光看問(wèn)題：

吳恩達(dá)以?xún)善罱恼撐臑槔?，說(shuō)明了并行智能體研究的發(fā)展：

一篇是來(lái)自Ryan Ehrlich等人的論文《Code Monkeys:Scaling Test-Time Compute for Software Engineering》。

簡(jiǎn)單來(lái)說(shuō)，這篇論文讓大語(yǔ)言模型在推理時(shí)并行生成多個(gè)軌跡，來(lái)生成多樣化的候選解決方案，從而提高編程問(wèn)題解決的效率。

其次是Together Mixture Of Agents（MoA）架構(gòu)，它通過(guò)同時(shí)利用多個(gè)大語(yǔ)言模型來(lái)提升性能。

值得一提的是，該架構(gòu)還能進(jìn)一步調(diào)整分層架構(gòu)（每層包含的agent數(shù)和層數(shù)），來(lái)進(jìn)一步提升性能。

在信的最后，吳恩達(dá)總結(jié)道：

在如何最優(yōu)地利用并行agent方面，仍然有大量研究與工程工作需要探索。我相信，能夠高效并行工作的agent數(shù)量，就像能夠高效并行工作的人的數(shù)量一樣，最終會(huì)非常龐大。

最后的最后，我們不妨說(shuō)句題外話。

2009年，吳恩達(dá)在他的經(jīng)典論文《Large-Scale Deep Unsupervised Learning Using Graphics Processors》中，首次系統(tǒng)性地展示了GPU在深度學(xué)習(xí)中的大規(guī)模應(yīng)用。

這篇論文不僅證明了GPU計(jì)算能顯著提升卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，更預(yù)告著深度學(xué)習(xí)時(shí)代的到來(lái)。

而這一切的核心，歸根結(jié)底就倆字：

并行

[1]https://x.com/AndrewYNg/status/1961118026398617648
[2]https://www.deeplearning.ai/the-batch/agents-running-in-parallel-get-there-faster/
[3]https://arxiv.org/pdf/2501.14723
[4]https://docs.together.ai/docs/mixture-of-agents?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz--bx7Qwyz4z_x_fNl93PMa-tjsrHFwAsEMSCHyOV1wXdBXA9LRFQJ6RKmk8P7MHd0o7_REn