用“因果规划”解决多智能体协作中的任务依赖难题｜港科广&腾讯
用“因果规划”解决多智能体协作中的任务依赖难题｜港科广&腾讯在长周期、多步骤的协作任务中，传统单智能体往往面临着任务成功率随步骤长度快速衰减，错误级联导致容错率极低等问题。
来自主题: AI技术研报
5705 点击 2025-09-04 11:43
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
在长周期、多步骤的协作任务中，传统单智能体往往面临着任务成功率随步骤长度快速衰减，错误级联导致容错率极低等问题。
这几天，一篇关于向量嵌入（Vector Embeddings）局限性的论文在 AlphaXiv 上爆火，热度飙升到了近 9000。
两个多月前，Meta豪掷143亿美元收购Scale AI 49%的股份。
AI 也要「考古」式科研？
大语言模型通过 CoT 已具备强大的数学推理能力，而 Beam Search、DVTS 等测试时扩展（Test-Time Scaling, TTS）方法可通过分配额外计算资源进一步提升准确性。然而，现有方法存在两大关键缺陷：路径同质化（推理路径趋同）和中间结果利用不足（大量高质量推理分支被丢弃）。
最近，工业界“RAG已死”甚嚣尘上。过去几年，AI领域的主旋律是“规模定律”（Scaling Law），即更大的模型、更多的数据会带来更好的性能。即便偶然有瑕疵，也认为只是工程上的不足，并非数学上的不可能。
原来，Scaling Law在32年前就被提出了！ 不是2020年的OpenAI、不是2017年的百度，而是1993年的贝尔实验室。
这家由剑桥大学行为科学背景的 James He 和 Patrick Sharpe 创立的公司，声称能够通过 AI 模拟整个人类社会的互动模式。他们不是在构建另一个聊天机器人或者内容生成工具，而是在尝试解决一个困扰人类社会数千年的根本问题：如何准确预测群体行为。
AI 硬件，已经成为大模型之后，又一个令人兴奋的领域。 正如 AI Agent 从通用开始走向垂直，AI 硬件，也已经逐渐分化到「陪伴」、「工作」等各个垂直领域。
当前，业界顶尖的大模型正竞相挑战“过度思考”的难题，即无论问题简单与否，它们都采用 “always-on thinking” 的详细推理模式。无论是像 DeepSeek-V3.1 这种依赖混合推理架构提供需用户“手动”介入的快慢思考切换，还是如 GPT-5 那样通过依赖庞大而高成本的“专家路由”机制提供的自适应思考切换。