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

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

专属 AI 产品从业者的实名社群，只聊 AI 产品最落地的真问题   扫码添加小助手，发送「姓名 + 公司 + 职位」申请入群～

进群后，你将直接获得：

  最新最专业的 AI 产品信息及分析  

   不定期发放的热门产品内测码

   内部专属内容与专业讨论

点亮星标

科技前沿进展每日见