通往人工超级智能：先让多个 AI 代理共享目标与推理

正文

下一代多智能体系统需要一种横向架构，使不同智能体能够共享意图、上下文和推理，从而共同处理单个智能体没有受训解决的大规模问题。

图注：文章用彼此连接的多个大脑，象征智能体从各自独立走向分布式协作。

设想一个由多个 AI 智能体组成的医疗系统：一个负责症状评估，一个负责排班，第三个处理保险，第四个连接药房。每个智能体都是各自领域的专家，也拥有不同的知识和目标。今天，它们可以交换数据，但仍各自做决定，无法真正协同完成患者照护。

Cisco Outshift 高级副总裁兼总经理维杰·潘迪（Vijoy Pandey）说：“智能已经存在。缺少的是把四个陌生人变成一支团队的结缔组织。”

Outshift 把这层“结缔组织”称为“认知互联网”（Internet of Cognition）：它让跨领域智能体不仅能够合作，还能通过共享意图、上下文和推理共同“思考”。其下方还有一层“智能体互联网”，负责让自主智能体发现彼此、验证身份并跨域交换消息。潘迪认为，两层结合才可能迈出通往分布式人工超级智能的下一步。

从各自独立的“硅基智者”到认知互联网

多年来，AI 行业主要沿着纵向方向扩展：用更多算力和更多数据训练更大的模型，由此得到能在数字环境中感知、推理和行动的智能体“大脑”。潘迪认为，纵向扩展还会继续产生能力更强的单体智能，但若要解决横跨不同系统、公司和平台的问题，下一个扩展轴必须转向横向协作。

多智能体系统已经被用于软件工程、药物发现和科学模拟，但目前成绩并不理想。一项对七个开源多智能体系统的评估发现，其失败率约为 41% 至 87%。

潘迪解释，互联智能体擅长协调执行那些已经见过、能够拆分并传递的任务；它们做不到的，是围绕共同目标，对没有受训解决的问题进行推理。这是结构缺陷，不是改一条提示词就能解决的问题。没有合适的协调层，简单的多智能体组合甚至可能比单个智能体表现更差。真正的变化，是让智能体团队能够自行组成，为新问题协作，而不必由人类手工缝合每一次交接。

为此，Outshift 构建了连接层 AGNTCY。这个现已归入 Linux 基金会的开源项目，让来自不同系统、公司和平台的智能体通过开放标准协议发现彼此、验证身份并交换消息。

认知互联网在连接层之上再向前一步：它提供语义层，让智能体对齐目标，也就是共享意图；汇集组织知识和可持续累积的记忆，也就是共享上下文；并共同权衡取舍，也就是共享推理。

潘迪把这种变化与人类历史类比。几十万年里，人类个体逐渐变得更聪明，但一个人死去时，他积累的许多知识也随之消失。大约 7 万年前，人类开始分享意图、积累知识并集体推理，分散的个体由此形成文明。他认为，今天的智能体也站在相似门槛上：我们已经造出“硅基智者”并赋予它们行动能力，却还缺少把个体带向集体的那一层。

分布式超级智能的三个起点

让智能体真正集体工作，取决于技术栈中的三根支柱。

第一，通过认知状态协议共享意图。这种协议相当于语义握手：智能体在行动前先声明并协商目标。Outshift 为此开发了开源协调层 Mycelium，组织可以复制并部署在自己的智能体系统中。

潘迪说，在 14 种内部测试场景中，没有结构化协调的智能体团队只有约三分之一能够形成决定；加入协调协议后，智能体会在行动前说明目标、暴露缺失信息并解决冲突，决策率提高到 93%。

第二，通过“认知结构”共享上下文。它是共同的组织记忆与通信网络，使一个智能体得到的洞见能够持续积累，而不是每次会话结束后归零。这个受策略控制的上下文层试图解决“组织失忆”，让系统的基础智能只升不降。

第三，通过认知放大器和护栏技术共享推理。认知放大器负责加速共同推理与建模；护栏技术（Guardrail Architecture Technology，GAT）提供安全、成本和合规框架。人类不是在事后检查结果，而是作为这一层的主动参与者，在系统把判断路由给人时作出决定。

共享认知也会共享风险

多智能体共享认知可能带来新的风险，包括意外委托、恶意提示注入、记忆投毒，以及权限过高的智能体访问远超任务所需的数据与能力。因此，每个环境都需要针对性的控制措施，防止意外行为和后果。

潘迪指出，智能体具有类似人的属性，却以机器的速度和规模行动。过去二十年建立的访问控制、身份和合规体系，要么面向人，要么面向传统机器，并不是为这种介于两者之间的主体设计的。

Outshift 开发的开源参考实现 CASA，即“持续智能体语义授权”，就是一种护栏技术。它持续读取智能体正在完成的任务，并据此核验每一次工具调用是否仍与用户最初授权的目标一致。

例如，在医疗系统中，一个只被要求总结患者记录的智能体，可能一开始就尝试查询整个数据库。CASA 会拒绝这次调用，因为请求范围已经超出获准任务。潘迪说，今天的控制往往只限制角色或会话，而不限制具体任务；智能体一旦获得某个工具，就可能把它用于任何目的。在内部测试中，约 90% 的情况下，智能体无法可靠确认自己是否有权完成被交付的工作。

从一条跨部门流程开始实验

潘迪建议，希望横向扩展企业智能的组织，可以先选择一条横跨三到四个团队、目前仍依赖人工批准交接的跨职能流程。

组织可以把它搭成一个小型多智能体系统，使用开放、可互操作的基础设施，并先建立可测量的基线。继续训练更大的模型并没有错，但还要增加横向轴，同时改变衡量方法：观察一个智能体的洞见是否让另一个智能体表现得更好，这才是横向协作真正发挥作用的信号。

意图、上下文与推理层目前仍有许多开放问题，基础设施也尚未完成。潘迪的判断是，正因为如此，现在才是开始实验和建设的时刻。

来源说明：本文由 MIT Technology Review Insights 与 Cisco Outshift 合作制作，不属于该刊独立编辑部报道。

（三级小标题沿用原文结构，风险部分为依据原文推进补充。）

思想框架

文章先用医疗系统说明“多个专家并不自动成为团队”，再把 AI 扩展从做大单体模型的纵向轴，推进到连接智能体的横向轴。AGNTCY 解决发现、身份和消息交换，认知互联网再解决共同意图、组织记忆和集体推理；Mycelium、认知结构与 GAT/CASA 分别对应这三项能力。文章同时强调，共享认知会扩大授权、注入和记忆风险，因此企业应从一条可测量的跨部门流程开始，而不是直接追求庞大的智能体网络。