吴恩达：并行智能体成为扩展 AI 的新方向

抖音推荐 2025年08月29日 20:12 1 admin

原文 | https://www.deeplearning.ai/the-batch/issue-316/

编译 | 段小草 + Gemini 2.5 Pro

并行智能体 (Parallel agents) 正成为一个扩展 AI 规模的重要新方向。AI 的能力已通过更多的训练数据、训练时算力 (training-time compute) 和测试时算力 (test-time compute) 得到扩展。让多个智能体并行运行，正日益成为一种进一步扩展和提升性能的技术。

根据我之前在百度团队以及后来 OpenAI 的研究，我们知道 AI 模型的性能会随着数据量和训练计算量可预测地扩展。

通过增加测试时算力投入，例如在智能体工作流 (agentic workflows) 和那些能够思考、反思并迭代答案的推理模型中，性能会进一步提升。但这些方法需要更长的时间来生成输出。并行工作的智能体则提供了另一条提升结果的路径，且无需让用户等待。

推理模型会按顺序生成 Token，运行可能需要很长时间。同样，大多数智能体工作流最初也是以顺序方式实现的。但随着大语言模型 (LLM) 每个 Token 的价格持续下降——从而使这些技术变得可行——以及产品团队希望更快地向用户交付结果，越来越多的智能体工作流正在被并行化。

举几个例子：

现在许多研究型智能体会并行地抓取多个网页并审查其文本，以试图更快地综合出富有深度的研究报告。
一些智能体编程框架允许用户协调多个智能体同时处理代码库的不同部分。我们在 Claude Code 短课程中展示了如何使用 git worktrees 来实现这一功能。
智能体工作流中一个迅速发展的设计模式是：让一个计算密集型智能体工作数分钟或更长时间来完成一项任务，同时由另一个智能体监控前者并向用户提供简要更新以保持信息同步。从这里出发，只需一小步就能发展到让并行智能体在后台工作，而 UI 智能体则负责通知用户，或许还可将用户的异步反馈传递给其他智能体。

Cartoon robots with square heads and antennae sit in rows on an assembly line, each smiling while assembling gears, boxes, and tools.

对于人类管理者来说，将一个复杂任务（例如构建一个复杂的软件应用）分解成能让工程师并行处理的更小任务是困难的；尤其当需要协调大量工程师时更具挑战性。同样，为并行智能体分解任务也充满挑战。但大语言模型推理成本的下降，使得使用更多的 Token 变得经济可行，而并行地使用它们可以在不显著增加用户等待时间的情况下实现这一点。

日益增多的关于并行智能体的研究也让我感到鼓舞。例如，我很高兴读到 Ryan Ehrlich 等人撰写的《CodeMonkeys: Scaling Test-Time Compute for Software Engineering》，该研究展示了并行代码生成如何帮助探索解决方案空间。Junlin Wang 提出的 mixture-of-agents 架构是一种组织并行智能体的简洁方法：让多个大语言模型提出不同的答案，然后由一个聚合器 LLM 将它们整合成最终输出。