AI协作新纪元：多模型合力破解AGI难题 | AI资讯尽在AIGC.bar

type

status

date

slug

summary

引言：超越单打独斗，AI迎来“集体智慧”时代

在人工智能（AI）的浪潮中，我们见证了像ChatGPT、Gemini、DeepSeek这样能力超凡的大模型（LLM）相继问世。它们各自在对话流畅性、多模态理解和长文本分析等方面展现出惊人实力。然而，一个问题随之而来：我们能否将这些顶尖AI的优势整合，让它们像一个高效团队那样协同工作，以解决单个模型难以攻克的复杂挑战？

答案是肯定的。由Transformer架构作者之一创立的明星公司Sakana AI，提出了一种名为AB-MCTS的创新算法，其核心理念源于一个简单而深刻的真理：最伟大的成就往往源于不同思想的协作。这一思想如今被成功应用于AI领域，让“三个臭皮匠，赛过诸葛亮”的古老智慧在数字世界焕发新生，为通往通用人工智能（AGI）的道路提供了全新的可能性。

什么是AB-MCTS？AI协作的“大脑中枢”

AB-MCTS，全称为自适应分支蒙特卡洛树搜索（Adaptive Branching Monte Carlo Tree Search），是一种精巧的算法框架，旨在协调多个AI模型共同解决一个问题。它不仅仅是简单地将任务分配给不同模型，而是建立了一个动态的协作机制。

在这个机制下，不同的AI模型可以： * 提出方案：每个模型根据自身专长，对问题提出初始解决方案或建议。 * 交换意见：算法将一个模型的输出作为另一个模型的输入提示，实现模型间的“对话”与“启发”。 * 迭代优化：通过不断的建议、评估和完善，整个模型系统像一个人类专家团队一样，逐步逼近最优解。

这项技术由Sakana AI开发，并已将其开源为TreeQuest。它的出现，标志着AI的应用范式正从“创造更强的单一模型”转向“更智慧地使用现有模型组合”，开启了AI协作的新篇章。

深度与广度：AB-MCTS的自适应搜索策略

AB-MCTS的强大之处在于其独特的自适应搜索能力，它巧妙地结合了两种核心策略，以平衡探索（Exploration）与利用（Exploitation）。

广度探索（变宽）：当面对一个问题时，系统可以鼓励模型们提出尽可能多样的、全新的解题思路。这就像团队头脑风暴时，大家天马行空地发散思维，旨在拓宽解决问题的可能性。

深度探索（变深）：当某个思路被证明有潜力时，系统会集中资源，让模型们对这个思路进行深入挖掘和优化，直至完善。这如同团队确定了一个可行方向后，集中精力将其执行到极致。

为了实现这种动态调整，AB-MCTS在技术上引入了“GEN节点”等概念，允许搜索树在任何节点上自适应地决定是“变宽”还是“变深”。与传统方法不同，它不固定搜索的宽度或深度，而是通过贝叶斯推断等方法，实时评估每个决策的潜力，确保计算资源总能被用在“刀刃”上。这种灵活性使得AB-MCTS能够高效地驾驭大模型输出的多样性与不确定性，从而在复杂问题中找到出路。

实践出真知：多项基准测试中的卓越表现

理论的先进最终需要实践来检验。Sakana AI在多个高难度基准测试中对AB-MCTS进行了验证，结果令人振奋。

在极具挑战性的ARC-AGI-2基准测试中，由ChatGPT、Gemini和DeepSeek组成的“AI梦之队”，通过AB-MCTS协同工作，成功解决了30%的谜题。相比之下，表现最好的单个顶尖模型也仅能解决23%。更关键的是，实验发现有几种情况，只有通过不同模型的组合才能得出正确答案，这雄辩地证明了协作的价值。

在LiveCodeBench（代码生成）、CodeContest（编程竞赛）和MLE-Bench（机器学习任务）等其他基准测试中，AB-MCTS同样表现出色，其性能始终优于重复采样、标准MCTS等基线方法。实验数据表明，AB-MCTS生成的搜索树更宽、适应性更强，能够根据任务的不同，灵活地分配预算进行探索或利用，展现出强大的问题解决能力和扩展潜力。

从自然到AI：集体智能的未来启示

AB-MCTS的诞生并非偶然，它植根于Sakana AI的核心理念——从自然界汲取灵感。无论是生物进化还是集体智能（如蚁群、蜂群），都揭示了协作与适应在应对复杂环境中的巨大威力。

Sakana AI正致力于将这些自然原则应用于人工智能系统的构建中。从早期的进化模型融合，到如今的AB-MCTS协作框架，再到旨在自我进化的“达尔文-哥德尔机”，他们的研究始终围绕着一个核心：如何让AI系统变得更具适应性、创造性和协作性。

结论：协作，通往AGI的必由之路

Sakana AI的AB-MCTS算法向我们展示了AI发展的另一条激动人心的路径。通往AGI的征程，或许不仅仅依赖于构建更大、更全能的单一模型，更在于学会如何将现有AI的智慧“编织”在一起，形成强大的集体智能。

这种“混合以使用”的策略，不仅能更高效地利用现有计算资源，还能通过不同模型的互补优势，攻克单个模型难以逾越的障碍。未来，我们可以期待更多类似的技术涌现，让AI协作成为解决科学发现、工程设计乃至社会复杂性问题的标准范式。

想了解更多关于AI、AGI和大模型的最新动态与深度解析？欢迎访问 AIGC.bar，您的AI资讯门户，获取最前沿的AI新闻和洞察，紧跟人工智能发展的每一个步伐。