henry 发自 凹非寺
量子位 | 公众号 QbitAI
人多，好办事。agent多，照样好办事！
在最新的Andrew’s Letters中，吴恩达老师就指出：并行智能体正在成为提升AI能力的新方向。
信中，他描绘了这样的一些场景：
- 多个agent并行抓取分析网页，更快速地生成深度研究报告。
- 多个agent协同处理代码库的不同部分，加快编程任务完成速度。
- 多个agent在后台并行工作，同时由一个监督agent向用户提供反馈，实现并行异步控制。
在这些场景中，多个agent协作，就像一支高效的agent team同时处理不同任务，速度快、效率高。
这为我们理解AI能力的提升提供了新视角——
不仅仅依靠更多的数据和算力，更重要的是让多个智能体协同并行工作。
以往，当我们谈论AI能力的提升时，更多依赖的是所谓的“力大砖飞”的scaling law，也就是希望通过更多的数据和算力来获得性能的提升。
据吴恩达所说，这一点在他之前在百度和OpenAI的工作中，已得到了充分验证。
但问题是，这些方法往往需要长时间才能输出结果。
相比之下，并行运行的agent提供了另一种方式：在提升性能的同时，让用户无需长时间等待结果。
此外，大语言模型token成本的不断下降，也让多个agent并行处理的方法变得可行。
但就像网友指出的：如何协调多个agent呢？
咱光给方向，不给答案也不行啊。
对于这一疑问，吴恩达在信中也是有所提及：因为哪怕对于人类来说，将一个复杂任务（比如开发复杂的软件应用）拆分成小任务并交由下面的多个工程师并行完成，都就极具挑战，而一旦扩展到更多的并行单元，那么难度将会更大。
同样的，将任务分解给多个智能体并行执行也并不容易。
不过，凡事要用发展的眼光看问题：
吴恩达以两篇最近的论文为例，说明了并行智能体研究的发展：
一篇是来自Ryan Ehrlich等人的论文《Code Monkeys:Scaling Test-Time Compute for Software Engineering》。
简单来说，这篇论文让大语言模型在推理时并行生成多个轨迹，来生成多样化的候选解决方案，从而提高编程问题解决的效率。
其次是Together Mixture Of Agents（MoA）架构，它通过同时利用多个大语言模型来提升性能。
值得一提的是，该架构还能进一步调整分层架构（每层包含的agent数和层数），来进一步提升性能。
在信的最后，吴恩达总结道：
在如何最优地利用并行agent方面，仍然有大量研究与工程工作需要探索。我相信，能够高效并行工作的agent数量，就像能够高效并行工作的人的数量一样，最终会非常庞大。
最后的最后，我们不妨说句题外话。
2009年，吴恩达在他的经典论文《Large-Scale Deep Unsupervised Learning Using Graphics Processors》中，首次系统性地展示了GPU在深度学习中的大规模应用。
这篇论文不仅证明了GPU计算能显著提升卷积神经网络的训练效率，更预告着深度学习时代的到来。
而这一切的核心，归根结底就俩字：
并行。
参考链接 [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
