谷歌研究院、谷歌 DeepMind 与麻省理工学院近日联合发布的一项突破性研究，颠覆了传统观点中“更多智能体意味着更好结果”的认知。研究团队通过精心设计的180项控制实验，深入探究了多智能体系统在不同任务场景下的实际表现，结果令人惊讶：系统性能波动极大，有的任务效率提升高达81%，而另一些任务却出现了高达70%的性能下降。
研究表明，任务的类型对多智能体系统的效果具有决定性影响。在并行任务领域，例如金融分析，集中式的多智能体协调机制能够显著提升整体性能。不同智能体可以独立分析销售趋势、成本结构和市场数据，然后将结果高效汇总，最终实现了近81%的卓越性能提升。然而，在需要顺序进行的任务中，如Minecraft的规划任务，多智能体的设置反而会导致性能下降39%到70%。这是因为每个制作动作都会直接影响到后续动作所依赖的库存状态，任务之间的顺序依赖性使得信息在智能体之间传递时可能会出现丢失或被分割的现象。
研究发现，影响多智能体系统性能的主要因素有三方面：首先，任务涉及的工具越多，如网络搜索或编码等复杂任务，就越容易受到多智能体系统的负面影响。其次，当单个智能体的成功率超过45%时，添加更多智能体通常会导致收益递减甚至出现负收益，协调成本会完全抵消潜在的增益。最后，在多智能体环境中，错误的累积会加速传播，缺乏有效信息共享的情况下，错误传播速度比单个智能体环境中快17倍。
划重点：多智能体系统在并行任务中展现出卓越表现，但在顺序任务中却会显著降低效率。当单个智能体的成功率超过45%时，盲目采用多智能体系统可能并不划算。任务涉及的工具越多，多智能体系统的协调成本就越高，对性能的影响也越明显。这一研究成果为未来智能体系统的设计与应用提供了重要参考，提醒我们在实际应用中需根据任务特性选择合适的智能体配置方案。
