機(jī)器之心報(bào)道

編輯：Panda

智能體（Agent），即基于語言模型且具備推理、規(guī)劃和行動(dòng)能力的系統(tǒng)，正在成為現(xiàn)實(shí)世界 AI 應(yīng)用的主導(dǎo)范式。

盡管其已被廣泛采用，但決定其性能的原則仍未被充分探索，導(dǎo)致從業(yè)者只能依賴啟發(fā)式經(jīng)驗(yàn)，而非有原理依托的設(shè)計(jì)選擇。

現(xiàn)在，谷歌的一篇新論文填補(bǔ)了這一空白！

他們通過大量實(shí)驗(yàn)找到了智能體的 Scaling Law，只不過他們將其稱為quantitative scaling principles，即定量擴(kuò)展原則。

• 論文標(biāo)題：Towards a Science of Scaling Agent Systems
• 論文地址：https://arxiv.org/abs/2512.08296

具體來說，他們將這種擴(kuò)展定義為智能體數(shù)量、協(xié)作結(jié)構(gòu)、模型能力和任務(wù)屬性之間的相互作用。

他們?cè)谒膫€(gè)不同的基準(zhǔn)測(cè)試中對(duì)此進(jìn)行了評(píng)估：Finance-Agent（金融推理）、BrowseComp-Plus（網(wǎng)絡(luò)導(dǎo)航）、PlanCraft（游戲規(guī)劃）和 Workbench（工作流執(zhí)行）。

利用五種典型的智能體架構(gòu)（單智能體系統(tǒng)以及四種多智能體系統(tǒng)：獨(dú)立型、中心化、去中心化、混合型），并在三個(gè) LLM 家族（OpenAI, Google, Anthropic）中進(jìn)行實(shí)例化，谷歌這個(gè)團(tuán)隊(duì)對(duì) 180 種配置進(jìn)行了受控評(píng)估，標(biāo)準(zhǔn)化了工具、提示結(jié)構(gòu)和 token 預(yù)算，以將架構(gòu)效應(yīng)從實(shí)施混雜因素中隔離出來。

他們使用經(jīng)驗(yàn)性的協(xié)作指標(biāo)（包括效率、開銷、錯(cuò)誤放大和冗余）推導(dǎo)出了一個(gè)預(yù)測(cè)模型，該模型實(shí)現(xiàn)了交叉驗(yàn)證 R2=0.513，通過對(duì)任務(wù)屬性建模而非過度擬合特定數(shù)據(jù)集，實(shí)現(xiàn)了對(duì)未見任務(wù)領(lǐng)域的預(yù)測(cè)。

是的，智能體的 Scaling Law 找到了！并且準(zhǔn)確度還相當(dāng)高，谷歌表示：「我們的框架在預(yù)測(cè)保留任務(wù)的最佳架構(gòu)方面實(shí)現(xiàn)了 87% 的準(zhǔn)確率?！惯@樣一來，智能體的部署決策將第一次獲得強(qiáng)有力的原則支撐。

實(shí)驗(yàn)與結(jié)果：打破「人多力量大」的迷思

為了找到這套定量原則，谷歌團(tuán)隊(duì)沒有僅僅停留在理論推導(dǎo)，而是進(jìn)行了一場堪稱暴力窮舉的實(shí)證研究。

他們動(dòng)用了三大模型家族（Google Gemini、OpenAI GPT、Anthropic Claude），在金融、網(wǎng)購、游戲規(guī)劃等不同場景下進(jìn)行了 180 組受控實(shí)驗(yàn)。

實(shí)驗(yàn)結(jié)果不僅令人意外，甚至顛覆了許多開發(fā)者的直覺。簡單來說，他們發(fā)現(xiàn)了一些規(guī)律。

任務(wù)決定成敗：有的場景是神助攻，有的是豬隊(duì)友

過去人們常說「三個(gè)臭皮匠，頂個(gè)諸葛亮」，但這篇論文告訴我們：這完全取決于你們?cè)诟墒裁慈蝿?wù)。

紅榜（適合組團(tuán)）： 在金融分析（Finance-Agent）這類任務(wù)中，多智能體協(xié)作是大殺器。中心化架構(gòu)（有一個(gè)「指揮官」分派任務(wù)）能讓性能暴漲 80.9%。為什么？因?yàn)檫@類任務(wù)可以拆分 —— 你查財(cái)報(bào)，我算匯率，他做總結(jié)，大家并行工作，效率極高。

黑榜（切忌組團(tuán)）： 在游戲規(guī)劃（PlanCraft）這類任務(wù)中，所有多智能體架構(gòu)都翻車了，性能慘跌 39% 到 70%。原因在于這類任務(wù)環(huán)環(huán)相扣（必須先砍樹，才能做木板），強(qiáng)行把流程拆給不同的人，光是溝通成本就把推理能力消耗殆盡了。

三大隱形殺手：什么在阻礙智能體變強(qiáng)？

通過對(duì)數(shù)據(jù)的深度挖掘，谷歌團(tuán)隊(duì)量化了阻礙智能體擴(kuò)展的三大核心因素：

第一，工具越多，協(xié)作越難（工具-協(xié)作權(quán)衡）

如果任務(wù)需要用到大量工具（比如 16 個(gè)以上的 API），再引入多智能體協(xié)作就是一場災(zāi)難。實(shí)驗(yàn)數(shù)據(jù)顯示，工具密集的任務(wù)會(huì)因巨大的溝通開銷而不僅沒變快，反而變慢、變笨。

第二，能力有天花板（能力飽和效應(yīng)）

這是最反直覺的一點(diǎn)：如果單個(gè)智能體已經(jīng)夠聰明了，就別再給它找?guī)褪至恕?數(shù)據(jù)表明，當(dāng)單智能體的基線準(zhǔn)確率超過 45% 時(shí)，再增加智能體進(jìn)行協(xié)作，收益往往是負(fù)的。所謂「幫倒忙」，在 AI 世界里是真實(shí)存在的。

第三，沒有指揮官，錯(cuò)誤會(huì)指數(shù)級(jí)放大

如果你讓一群智能體各自為戰(zhàn)（獨(dú)立型架構(gòu)），錯(cuò)誤會(huì)被放大 17.2 倍 —— 因?yàn)闆]人檢查，一個(gè)人的錯(cuò)會(huì)傳給所有人。但如果引入一個(gè)「指揮官」進(jìn)行中心化管理，錯(cuò)誤放大率能被控制在 4.4 倍。這證明了在多智能體系統(tǒng)中，架構(gòu)設(shè)計(jì)比單純堆人數(shù)更重要。

模型性格測(cè)試：誰是最佳指揮官？

除了任務(wù)和架構(gòu)，論文還發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：不同廠商的模型有不同的協(xié)作性格。在選擇團(tuán)隊(duì)成員時(shí)，你不能只看智商（IQ），還要看它們合不合群。

Google Gemini：擅長「層級(jí)管理」的執(zhí)行官。Gemini 模型在中心化架構(gòu)下表現(xiàn)出了驚人的適應(yīng)性。在金融任務(wù)中，Gemini 的中心化協(xié)作帶來了 +164.3% 的恐怖提升。數(shù)據(jù)表明，它最聽指揮，執(zhí)行力最強(qiáng)，且在不同架構(gòu)下的性價(jià)比最為平衡。

OpenAI GPT：擅長「復(fù)雜溝通」的交際花。GPT 系列在混合型架構(gòu)（Hybrid）中表現(xiàn)最佳 。雖然混合架構(gòu)的溝通成本很高，但 GPT 似乎擁有獨(dú)特的「通信協(xié)同效應(yīng)」（Communication Synergy），能駕馭復(fù)雜的交互網(wǎng)絡(luò)，不僅能聽指揮，還能搞定同級(jí)之間的橫向溝通 。

Anthropic Claude：穩(wěn)健但敏感的保守派。Claude 對(duì)協(xié)作開銷非常敏感，一旦溝通太復(fù)雜，成本就會(huì)飆升（每提升 1% 性能的成本是 Google 的 2 倍）。因此，它最適合簡單直接的中心化架構(gòu)，表現(xiàn)最穩(wěn)（方差最?。?。更有趣的是，它是唯一一個(gè)在「弱指揮官帶強(qiáng)兵」（異構(gòu)混合）模式下還能提升性能的模型，展現(xiàn)出了獨(dú)特的容錯(cuò)性

結(jié)果：這就是我們要找的「預(yù)測(cè)公式」

最終，基于上述發(fā)現(xiàn)，谷歌推導(dǎo)出了一個(gè)預(yù)測(cè)模型。這個(gè)模型不依賴玄學(xué)，而是基于效率、開銷、錯(cuò)誤放大率等硬指標(biāo)。

它的威力如何？在預(yù)測(cè)完全沒見過的任務(wù)配置時(shí)，這套理論能以 87% 的準(zhǔn)確率告訴你：對(duì)于當(dāng)前的任務(wù)和模型，到底該用單打獨(dú)斗，還是團(tuán)隊(duì)協(xié)作，亦或是某種特定的組隊(duì)方式。

這標(biāo)志著智能體系統(tǒng)設(shè)計(jì)正式告別了「煉金術(shù)」時(shí)代，進(jìn)入了可計(jì)算、可預(yù)測(cè)的「化學(xué)」時(shí)代。

更多詳情請(qǐng)?jiān)L問原論文。