多智能体系统扩展的科学：Google DeepMind揭示架构与性能的定量关系
机器之心2026/02/24 12:34机翻/自动摘要/自动分类
6 阅读
内容评分
技术含量
9/10
营销水分
5/10
摘要
Google DeepMind通过实验揭示多智能体系统扩展的定量原则，指出架构选择与任务属性密切相关。研究发现，增加智能体数量未必提升性能，甚至可能降低效率。集中式系统在可并行任务中表现优异，而独立系统存在错误放大问题。论文还提出预测模型，帮助开发者根据任务特性选择最佳架构。
正文
随着AI在现实应用中的普及，其扩展性成为关键议题。Google DeepMind最新论文《Towards a Science of Scaling Systems》通过大规模实验，首次提出多系统的定量扩展原则。研究对比了五种典型架构（单、独立、集中式、去中心化、混合型）在不同任务中的表现，发现增加数量并不总是提升性能，反而可能因任务属性导致收益递减甚至性能下降。论文指出，集中式系统在可并行任务中表现最佳，而独立系统则因缺乏协作机制导致错误放大。此外，研究还开发了一个基于任务属性的预测模型，帮助开发者选择最优架构。这些发现为AI的工程实践提供了理论依据。