OpenAI 的 Swarm:管理难题被 AI 自己解决了

The dot and the Swarm: Benefitting from the bitter lesson

OpenAI 的 Swarm:管理难题被 AI 自己解决了

我曾以为管理 AI 代理需要像组建公司一样精心设计,结果大错特错。这就是著名的 Bitter Lesson:我们以为需要复杂人类规则的问题,往往能被更强大的机器学习暴力破解。从 Meta 的 Muse 到 OpenAI 的 dots,这些个人代理不仅能主动发现我的错误、处理琐事,甚至能自我组织成 Swarm。OpenAI 近期利用数千个代理组成的 Swarm 在 88 小时内攻克难题,证明了代理间的协调无需人类过度干预。管理存在的许多问题源于人类自身的局限性,而 AI 代理没有这些包袱。这意味着组织工作的成本大幅降低,未来可能不是人类被取代,而是我们能尝试更多以前因管理成本过高而放弃的事情。

我原以为组织工作是人类需要设计很久的事,结果发现这只是 AI 能学会的又一项技能。
  1. noelwelsh

    这种论调(而且它确实是修辞,旨在说服)往往缺乏细微差别。生成一个 3 分钟的独立视频固然令人印象深刻,但这与生成必须与现有海量代码保持一致的代码是两码事。在现有系统中实现一个简单功能的代码,与在新型领域或采用新型架构时做出架构决策所需的代码,也是截然不同的。Navier-Stokes 的结果确实令人印象深刻,但 1) 他们为此耗费了数以亿计的 token/货币单位;2) 据我所知,最近所有的数学成果都是反例,而反例与证明完全是两回事。

    我自己像农民一样摆弄 Claude 的经验是,它在某些任务上简直神奇,而在另一些任务上却绝对是个白痴。所需的推理越抽象,表现就越差。

  2. wredcoll

    我觉得那整篇文章我什么都没学到。

    也许是我心情不好,或者我对这个话题已经很熟悉了(毕竟看了 Hacker News 首页?),但这篇文章的 gist 无非是我们不再用单个 agent 做事,现在改用多个 agent,而且这不知怎么(未具体说明)就更好了。

    对于受限于 tokens/秒的问题,这如何有帮助确实显而易见;但对于其他问题……呢?他大张旗鼓地谈论 agent“发送消息”,但这在功能上与内部的 transformer/attention 操作有何不同,无非是现在跑在 TCP 上而已?

  3. htrp

    tl;dr:AI agent 可以调用其他 AI agent。这篇文章也是靠它帮忙写的。

同日更多故事

2026-10-04