henry 發自 凹非寺
量子位 | 公眾號 QbitAI

人多，好辦事。agent多，照樣好辦事！

在最新的Andrew’s Letters中，吳恩達老師就指出：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景：

多個agent并行抓取分析網頁，更快速地生成深度研究報告。多個agent協同處理代碼庫的不同部分，加快編程任務完成速度。多個agent在后臺并行工作，同時由一個監督agent向用戶提供反饋，實現并行異步控制。

在這些場景中，多個agent協作，就像一支高效的agent team同時處理不同任務，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據和算力，更重要的是讓多個智能體協同并行工作。

并行智能體才是未來

以往，當我們談論AI能力的提升時，更多依賴的是所謂的“力大磚飛”的scaling law，也就是希望通過更多的數據和算力來獲得性能的提升。

據吳恩達所說，這一點在他之前在百度和OpenAI的工作中，已得到了充分驗證。

但問題是，這些方法往往需要長時間才能輸出結果。

相比之下，并行運行的agent提供了另一種方式：在提升性能的同時，讓用戶無需長時間等待結果。

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

但就像網友指出的：如何協調多個agent呢？

咱光給方向，不給答案也不行啊。

對于這一疑問，吳恩達在信中也是有所提及：因為哪怕對于人類來說，將一個復雜任務（比如開發復雜的軟件應用）拆分成小任務并交由下面的多個工程師并行完成，都就極具挑戰，而一旦擴展到更多的并行單元，那么難度將會更大。

同樣的，將任務分解給多個智能體并行執行也并不容易。

不過，凡事要用發展的眼光看問題：

吳恩達以兩篇最近的論文為例，說明了并行智能體研究的發展：

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

簡單來說，這篇論文讓大語言模型在推理時并行生成多個軌跡，來生成多樣化的候選解決方案，從而提高編程問題解決的效率。

其次是Together Mixture Of Agents（MoA）架構，它通過同時利用多個大語言模型來提升性能。

值得一提的是，該架構還能進一步調整分層架構（每層包含的agent數和層數），來進一步提升性能。

在信的最后，吳恩達總結道：

在如何最優地利用并行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數量，就像能夠高效并行工作的人的數量一樣，最終會非常龐大。

最后的最后，我們不妨說句題外話。

2009年，吳恩達在他的經典論文《Large-Scale Deep Unsupervised Learning Using Graphics Processors》中，首次系統性地展示了GPU在深度學習中的大規模應用。

這篇論文不僅證明了GPU計算能顯著提升卷積神經網絡的訓練效率，更預告著深度學習時代的到來。

而這一切的核心，歸根結底就倆字：

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