开云(中国)kaiyun体育网址-登录入口

这项由哈佛大学、麻省理工学院及2077AI联接开展的商榷，以预印本模式发布于2026年6月1日，论文编号为arXiv:2606.02859，感趣味的读者可通过该编号查阅完整原文。

在东说念主工智能的寰宇里，有一个一直让商榷者头疼的问题：一个再雄壮的AI，也有它力所不足的地点。它的牵挂有限，视线有限，规划资源有限。当任务变得宽裕复杂——比如完整地处置一说念奥赛级数学题、从新到尾作念一份上市公司的财务商榷呈报，或者设想一块性能超卓的芯片——单打独斗简直注定会碰壁。

于是，商榷者们当但是然地猜测了一个见地：让多个AI合作。但问题接着来了：如何合作？谁来带领？谁作念什么？

现在最常见的作念法是缔造一个"总带领官"——一个中央调理系统细密分派任务、和谐各方。这个决议听起来惬心贵当，但实践上潜伏两个根人道的隐患。第一，通盘的信息和决策都必须流经这个总带领官，一朝它出了问题，通盘这个词系统就会瘫痪，这就像一家公司通盘邮件都必须由CEO切身批复才气发出去一样，既低效又脆弱。第二，跟着AI数目的加多，总带领官需要处理的和谐责任呈线性增长，系统界限越大，带领官就越不胜重担。

这支来自哈佛与MIT的商榷团队换了一种想路。他们不再问"如何设想一个更好的总带领官"，而是问了一个天差地别的问题：能不可根蒂就不要总带领官，让AI群体我方管理我方？

这个灵感来自一位1974年诺贝尔经济学奖得主——弗里德里希·哈耶克。哈耶克在他著名的著述《常识在社会中的行使》里建议，阛阓经济靠近的中枢贫窭不是"在已知信息下作念最优决策"，而是"如何利用分散在每个个体手中、无法被任何中央机构汇总的碎屑常识"。他的谜底是：价钱机制。价钱作为一种信号，把无数分散的信息团员起来，让每个东说念主无需了解全局就能作念出合理决策，从而显透露举座上的顺次与效力。

商榷团队将这套逻辑搬进了AI的寰宇，创造了一个他们称之为"智能经济体"的系统（Economy of Minds，简称EOM）。在这个系统里，AI们不再听从合资带领，而是像阛阓中的参与者一样：竞标、交游、积贮钞票、倚势凌人。已矣出东说念主意料——一群才气残破的"弱AI"，在这套经济机制的驱动下，自觉组织成了突出单个雄壮AI的集体贤达。

一、每个AI都是一个"阛阓参与者"

要领悟这套系统，不错把它想象成一场连续断的拍卖会，拍卖的标的是"谁来作念下一步动作"的权柄。

在EOM中，每个AI都有三个基本属性：一个"触发条目"（决定我方在什么情况下举手参与竞争）、一套步履计策（决定我方被选中后作念什么），以及一个固定的"出价"（决定我方参与竞标时答应出若干钱）。此外，每个AI还有一个"账户"，记载着它现在积贮的钞票。

当系统靠近一个任务的某个时间节点时，通盘餍足触发条目的AI都会举手，说"我来！我来！"，然后出价最高的阿谁赢得本次步履权，去推论它的计策，推动任务上前走一步。

这即是拍卖机制的运作样式——王人备去中心化，莫得任何一个AI知说念全局情况，也莫得任何一个AI在发号布令。

但光有拍卖还不够。拍卖已矣后，还有一套"交游结算"章程。赢得本次步履的AI，需要把它的出价金额支付给上一步赢家；同期，如若这一步从环境中得到了实践奖励（比如正确解答了一说念题），这笔奖励就归这一步的赢家通盘。

这套支付章程有一个精妙之处：它制造了一种"价值上前传播"的效应。如若某个AI作念出了一步好棋，让系统进入了一个有益的情景，那么下一步的竞争者会答应出高价来争夺步履权——因为下一步很可能拿到大奖励。于是，上一步的AI就因为"创造了好时事"而收到了丰厚的答复。反过来，如若某个AI把时事搞砸了，后续竞争者会出廉价致使没东说念主参与，上一步AI就亏蚀了。

这种机制在学术上被称为"桶链传递"（bucket-brigade transfer），实践上是一种不需要中央监督的信用分家数统。一走路动的价值，和会过"下家答应出若干钱"来自动体现，并逐渐上前传导。

二、"适者糊口"：经济继承如何塑造AI群体

拍卖机制处置了"每步谁来作念"的问题，但系统还需要处置另一个问题：跟着时间推移，哪些AI应该留住来，哪些应该被淘汰，以及如何产生更好的新AI？

谜底依然来自经济学逻辑。每个AI都要交纳"房租"——每隔一段时间，系统会从每个AI的账户里扣除一笔固定用度。如若一个AI的账户余额跌为负数，它就宣告"收歇"，被从系统中移除。

这个机制非常狡诈但也非常平正：一个AI如若遥远无所作为，或者每次步履都帮倒忙，它的钞票就会被房租极少极少耗尽，最终隐匿。相悖，那些能真确推动任务向好的见地发展的AI，会持续积贮钞票，存活下去。

存活下来的"豪阔"AI还会被系统行为"父代"进行衍生——通过修改它的触发条目或步履计策，产生略有变化的"子代"AI插足系统。这个过程叫作念"克扣"（exploitation），指标是放大捷利训导。与此同期，对于那些收歇的AI，系统也不会通俗丢弃，而是分析它们失败的原因，生成经过修正的新版块从新插足运行，这叫作念"探索"（exploration），指标是从失败中学习、发现新的可能性。

这种机制使得通盘这个词AI群体像一个确凿的阛阓生态：有竞争，有淘汰，有衍生，有进化，但莫得任何一个外部力量在主导这一切——驱动一切的仅仅经济信号。

三、表面基础：为什么这套机制从数学上是"说得通的"

商榷团队不仅仅作念了实验，他们还为这套机制提供了严谨的表面相沿，并用数学语言评释注解了几个关节命题。

第一个命题对于"出价会趋向价值"。从遥远来看，在某个特定场景下反复赢得竞标的AI，其出价会敛迹到一个合理区间——既不会高得让我方亏本（因为亏本就会收歇），也不会低到让更好的竞争者松驰挤进来。换句话说，阛阓继承会自动把存活的出价校准到"最优大众的真不二价值"隔邻，舛误不朝上新东说念主AI的出价扰动量。

第二个命题对于"只靠最终已矣奖励就够了"。在强化学习领域，一个经典贫窭是"寥落奖励"——如若唯有任务完成时才有奖励，而过程中莫得任何反馈，AI很难知说念哪些要领是有价值的。EOM的桶链支付机制提供了一种优雅的处置决议：即使环境只在终末给一个奖励，前边每一步的AI都能通过"下一步答应出若干钱"来感知我方这一步是否有价值。表面评释注解，只须系统一经进化出了宽裕好的AI群体，仅凭最终已矣奖励就足以保管系统的高性能，不需要设想复杂的过程奖励。

第三个命题对于"相对于集聚式最优调理的缺憾量"。假定存在一个全知万能的中央调理员，每一步都能挑选出最好AI来推论——这是表面上的性能上限。商榷评释注解，EOM这套去中心化拍卖机制与这个遐想上限之间的差距会跟着时间推移以O(E??/?)的速率收缩，也即是说，运行的任务越多，系统越接近表面最优，平均缺憾量趋向于零。

四、五个战场上的实战查验

表面再漂亮，也需要确凿任务的查验。商榷团队继承了五个各异极大的领域来测试EOM，何况每次都刻意给EOM配备"才气残破"的局部AI（只可探问部分器具、唯有短输出预算、只细密特定扮装），然后与使用完整才气的单一AI基准进行比拟。

在数学推理方面，测试用的是MATH数据集——一个涵盖从低级到竞赛级难度的数学题库。EOM的AI群体启动化时使用了Llama-3.1-8B这个相对较小的模子，每个AI只细密"探求下一步"、"推论规划"或"考据已矣"之一，且每次输出被甩掉在平均128个词以内。即是这么一群"残破"的AI，经过经济机制的西宾后，准确率从领先的15.9%飞跃到57.0%，突出了使用同款模子、领有完整才气的单一AI基准（51.9%）。用Gemma-2-9B模子时，同样的清闲复现了：从4.2%擢升到45.1%，同样朝上了单一AI基准的44.3%。

在金融商榷方面，测试用的是Finance-Agent-Bench基准，任务是根据上市公司财务文献恢复专科问题，环境提供四个器具。EOM的每个局部AI只可探问其中一个器具，但通盘这个词群体在履历30个西宾任务后，准确率从启动的45.0%擢升到60.0%，突出了多智能体申辩基准（50.0%）、REACT单智能体基准（45.0%）以及另一个自进化系统GEA（50.0%）。

在科学商榷方面，测试使用FrontierScience-Research基准，任务是解答需要专科常识的通达式科学问题。EOM的平均准确率达到8.5%，最好单次准确率达到20.0%，而对照系统GEA在同款模子下的平均准确率仅有1.8%，最好单次仅5.0%——擢升幅度非常显贵。

在芯片加快器设想方面，任务是为24个不同规格的卷积规划中枢找到最优的硬件映射决议，以最小化能量与延伸的乘积（EDP，越低越好）。EOM的平均EDP达到39.3，优于使用同样模子的单一REACT智能体（43.1），更大幅优于一个荒谬设想的非AI设施DOSA（80.2）。在最难啃的那几个卷积核上，EOM比DOSA分别好了37.5倍、26.3倍、17.3倍和12.0倍。

在散布式系统优化方面，任务是迭代地优化一个多云播送路由圭表，最小化总额据传输资本。EOM在三次尝试中的平均总资本为673，最优单次为657，而对照系统OpenEvolve的最优资本为930——EOM在使用更少优化轮次的情况下，已毕了28%的资本裁汰。

五、经济机制的剖解：去掉哪个零件会怎么

商榷团队还作念了一系列"拆零件"实验，考据每个经济机制组件的必要性。

在MATH任务上，原始系统的平均准确率为43.9%，最好单次57.0%。当把房租调高10倍时，性能降到均值41.8%、最好47.0%；把奖励减轻到原来的20%时，降到39.0%和44.0%；把奖励放大4倍也同样无益，降到40.9%和47.0%。这评释系统对经济参数的均衡非常明锐——奖励太小激勉不足，奖励太大或房租太高则会变成AI过早收歇，膺惩了生态的走漏性。

在金融商榷任务上，拆掉"探索"机制（不再引入修正失败AI的新版块），均值暴跌到26.0%、最好40.0%；拆掉"克扣"机制（不再衍生顺利AI的后代），均值降到33.5%；拆掉拍卖机制（拔赵帜立汉帜以速即继承），均值降到48.0%、最好58.5%。而保留通盘机制的完整系统，均值52.5%、最好65.0%——均为最高。

更有劝服力的对比来自散布式系统优化任务：EOM的最优资本是673，而一个使用同等数目AI但不经过阛阓继承进化的"最优N样本"基准，最优资本只可达到999。多AI采样自己并不可解释性能擢升——必须有阛阓继承驱动的进化，才气真确更正游戏章程。

六、里面发生了什么：经济如何塑造AI的想维和合作样式

实验已矣仅仅名义清闲，商榷团队还深刻到系统里面，跟踪了经济机制究竟如何一步步更正AI群体的步履模式。

在科学商榷任务中，商榷团队跟踪了一个名为"推论者"（EXECUTER）扮装的AI家眷的演化轨迹。领先的推论者仅仅一个通用的推导模块，让它"展示中间代数过程，跟踪标记和单元"。跟着西宾的进行，这个AI家眷履历了五代进化。第一代学会了把笼统相干拆成可一一核查的标量方程，这一更正源于一次处理天地微波布景辐照参数猜度任务时发现的工夫。第二、三代学会了在起首代数推导之前先识别中枢物理旨趣、查验极限情况和管理条目。第四代学会了在起首之前先数方程个数和未知数个数，发现问题是否有定解。第五代学会了利用对称性，并将最终已矣代回原方程考据正确性——把底本需要外部"考据者"AI来作念的事情内化到了我方的计策里。

这套进化出来的推理圭表，最令东说念主赞佩的特色是它的可挪动性。它被物理任务考试出来，却不错径直用于化学、药理学、核磁共振光谱学和生物学任务，因为它学到的不是某个领域的具体常识，而是一套通用的科学推理操作圭表。在40个西宾轮次中，顺利轮次里有9/11都由这个家眷的后代承担，而这些顺利案例横跨了从Josephson结到α4β2 nAChR受体再到钯催化C-N键响应的鄙俚科学领域。

推论者计策的进化还带来了一个出东说念主预感的宏不雅效力：AI群体的合作拓扑（即每次任务中各扮装按什么律例参与）也随之更正了。在西宾早期，顺利的任务轨迹时时需要10步、波及全部5个扮装，形成"文献→探求→推论→考据→推论→考据→探求→推论→考据→恢复"这么繁复的链条，因为推论者自身还不够可靠，需要通俗借助考据者来侦察诞妄。到了西宾后期，一个对于卵白质纯化的任务只需要3步就能齐全处置："探求→推论→恢复"。这不是因为群体里的AI变少了——实践上此时群体里有14个AI，包括辞世的文献查阅者和考据者——而是因为考据者在评估当前情景后判断"推论者一经宽裕可靠，我的介入莫得特等价值"，于是主动不参与竞标。拓扑结构的简化是内生的，而非被设想出来的。

在芯片设想任务中，钞票轨迹图展示了另一种维度的经济动态。商榷团队不雅察到，来自"历史者"（Historian）扮装的某个子代AI，在降生后钞票连忙着落并宣告收歇——评释接受来的偏见在阛阓压力下站不住脚。另一个案例中，一个"运筹帷幄者"（Planner）家眷顺利衍生出两个优质子代并持续主导竞标，而一个来自历史者的"探索型"子代最终也走向了收歇。钞票集聚在那些反复推动EDP记载刷新的AI上，阛阓继承在莫得任何外部标签的情况下，自动识别出了哪些AI真确有价值。

更值得和顺的是，EOM在莫得被奉告任何芯片设想原则的情况下，在最难的那批卷积核上反复敛迹到了归拢种设想模式——"输出驻留"（output-stationary）数据流，把每个输出值保留在最快的片上存储里，沿输入通说念维度累积规划。这是业界已知的对ResNet-50瓶颈层1×1卷积最有用的设想模式，但EOM王人备是通过经济奖励自主发现的，莫得东说念主告诉它应该这么作念。

七、通才会把持阛阓吗？大众的奥秘火器

商榷团队还测试了一个风趣的场景：如若在局部大众AI除外，再加入一个领有全部器具探问权限的"万能通才"AI，会怎么？

按照直观，通才应该会主导阛阓，把大众们都挤出去。但实验已矣刚巧相悖。通才在职务第11-12轮隔邻顷刻间膨胀，随后收缩回单个AI的界限，而大众眷群——尤其是荒谬细密SEC财务文献检索的EDGAR组和细密收罗搜索的Tavily组——反而持续膨胀，到西宾后期各自达到5-8个AI的界限。

为什么通才打不外大众？商榷团队跟踪了通才AI的教唆词进化轨迹，发现了一个风趣的清闲：通才的教唆词越来越长、越来越严慎，但并莫得变得越来越是非。它学会了"说明问题、秘密每个时间段、优先继承合并总额而非分部数据、核查数值来源……"——每一条都是合理的，但每一条也都是通用的。与此同期，大众AI的教唆词进化见地天差地别：它们变得越来越窄、越来越精准。EDGAR大众学会了精准识别实体、呈报类型和财务年度，辞别团员数值与分部数值，核查文献日历，在最新文献内定位前瞻性估量……这是一套荒谬针对SEC文献检索的、反复经舛错败修正的精准章程集。

在EOM的经济逻辑里，拍卖奖励的是"在当前特定情景下最有价值的局部步履"。通才的上风是秘密面广，但它的局部精准度被稀释了。大众的触发条目、器具使用习尚和字据模范都调校到了一个极窄的子问题上，在阿谁子问题出面前，它的竞标价值远高于通才。过于通用反而成了颓势——在这个阛阓里，赢得限制权的是局部最精准的阿谁，而不是全局最全面的阿谁。

八、挪动和鲁棒性：学到的东西能用多久

EOM学到的东西有多走漏？商榷团队从三个角度测试了这极少。

在MATH任务上，西宾选定"从易到难"的课程律例，从最通俗的Level 1一起鼓舞到最难的Level 5。已矣夸耀，两个测试模子在每个难度级别上都持续擢升，其中Level 1到Level 3的擢升最为显贵（Llama-3.1-8B最终达到55-70%，Gemma-2-9B达到45-65%）。即使是启动简直作念不合的Level 5，到西宾已矣时两个模子的准确率都从约10%擢升到了约20%——通俗问题上雕琢出来的推理子圭表，竟然能被从新组合用于更难的问题。

商榷团队还测试了反向课程——先上最难的，再学最通俗的。两种课程最终都在擢升，但"先易后难"彰着更高效：最终准确率约57%对47%，且"先难后易"的课程在中间很长一段时间里都停滞在40%出面。这评释局部大众如实受益于先掌捏可复用的基础手段，再去靠近高难度挑战。

商榷团队还测试了通才AI的加入是否会膺惩大众的糊口空间。谜底是狡辩的——即使有通才竞争，大众眷群仍然持续蓬勃，这评释去中心化的脾气来自阛阓自己的运作逻辑，而不是靠"把通才摒除在外"来东说念主为保管的。

---

归根结底，这篇论文想告诉咱们的是：复杂的和谐无须被设想出来，它不错简易单的激勉结构中显透露来。就像确凿的阛阓经济不需要有东说念主告诉每个企业应该出产什么、雇若干东说念主、定什么价钱——只须竞争、交游和淘汰的基本章程存在，举座顺次就会自动形成——EOM中的AI群体也不需要有东说念主告诉它们应该如何单干、谁细密什么阶段、何时应该考据何时应该推论。经济信号把这一切都安排好了。

这对咱们领悟AI的未来发展旅途有一些风趣的启示。现在大广阔多AI系统的设想想路是"先设想好历程，再让AI推论"。EOM的想路反过来了：先设想激勉，让AI我方进化出历程。这两种想路孰优孰劣，在不同任务类型上可能有不同谜底，但EOM的实验至少评释注解了第二种想路在多个确凿场景中是可行的，且时时能产生令东说念主巧合的有用解法——比如AI我方发现的芯片设想原则，莫得东说念主教它，但它即是找到了。

诚然，这套设施现在有一个明确的局限：通盘进化都发生在"教唆词空间"里，模子的底层权重是冻结不变的。对于那些需要模子真确学会生人段的任务，仅靠改写系统教唆词能走多远，如故未知数。商榷团队也坦承这极少，并将扩展到参数空间西宾和多模态系统列为未来见地。

对于普通读者来说，不妨想考一个问题：在你我方责任或生活中的团队里，是靠中央带领和谐更有用，如故靠每个东说念主了了的激勉机制自觉合作更有用？EOM的故事，大致能给你极少不一样的参考角度。有趣味深刻商榷的读者，不错通过arXiv编号2606.02859查阅完整论文。

---

Q&A

Q1：EOM中AI的"钞票"和"房租"是确凿存在的货币吗？

A：不是确凿货币，而是系统里面的臆造数值，用来跟踪每个AI对任务顺利的孝敬进程。AI通过匡助任务鼓舞来赚取钞票（从下一步AI处得到支付，或径直得到环境奖励），通过无效步履或遥远闲置而蹧跶钞票（支付给上一步AI以及周期性扣除的"房租"）。当钞票降为负数，这个AI就被移除，这纯正是系统里面的继承压力机制，与确凿金融毫无相干。

Q2：EOM框架里的AI出价是如何信服的，会随时间学习诊疗吗？

A：出价是在AI被引入系统时就固定下来的，之后不会主动学习诊疗。新加入的AI会自动得到一个比当前竞争者略高的出价，保证它至少有一次被系统测试的契机。存活下来的AI保持其固定出价。诊疗的不是出价自己，而是哪些AI存活下来——表现好的AI活下来并衍生后代，表现差的AI收歇并被替换。从遥远来看，阛阓继承会使存活AI的出价敛迹到合理的价值区间，但这是通过"淘汰订价诞妄的AI"而非"让单个AI学习出价"来已毕的。

Q3：EOM和现在流行的AutoGen、MetaGPT等多AI框架有什么实践区别？

A：AutoGen、MetaGPT等框架依坏事前设想好的AI扮装单干和音问传递条约，由东说念主工或中央调理模块决定谁在什么时候讲话作念什么。EOM的根蒂区别在于莫得这种事前设想的责任流：谁来步履王人备由及时拍卖决定，哪些AI存活由经济结已然定，AI的计策如何进化由顺利失败轨迹自动疏浚。换句话说，前者是把东说念主类设想的历程交给AI推论，后者是给AI一套激勉章程开云(中国)kaiyun体育网址-登录入口，让责任流我方从阛阓竞争中显透露来。