[前沿解读] 一群 AI 在一起，最缺的是什么？

好久没写解读类的文章了。昨天下午在中国计算机学会（CCF）中国工程师文化日（CED）的会场，听了青稞 AI 王过老师的分享，讲他一个人怎么把一群国内外外青年科学家连起来，开直播做知识分享。之前也看过几次青稞的视频直播。

听完有点触动：也许我心里还是有个进一步学习的想法。那就还是从解读论文原理开始吧。

王过老师在 CCF CED 2026 的分享现场：一个人，如何撬动一个生态？

今天上午在南京大学，MLA2026（中国机器学习及其应用研讨会）的会场，天津大学讲席教授胡清华讲了一场《社会机器学习》。他上来就给了三个词：结构、分工、信任。说一群智能体要真能一起学东西、一起把事办成，就靠这三条。

听完这场，我想起三月份看到的mirofish跟openclaw深聊过的一段记录：群体智能这东西，从蚂蚁、蜜蜂到现在的一群 AI，到底是怎么回事？这篇就借这场会起个头，主要讲群体智能本身。

群体智能是什么：从蚂蚁说起

群体智能说的是：大量很简单的个体，只按身边的规则行动、只跟邻居打交道，没有总指挥，整体却冒出单个个体没有的本事。

蚂蚁就是例子。一只蚂蚁只会两件事：跟着信息素走，走过留下信息素。信息素越浓的路，走的蚂蚁越多，越走越浓，最短的路就这么被走出来了；信息素还会自己挥发，防止一条路走到死。没有哪只蚂蚁知道全局，也没有蚂蚁发号施令。

蜜蜂也一样，工蜂靠摇摆舞互相报信，告诉同伴蜜源在哪。

鸟群呢，每只鸟只遵守三条身边规则：别撞上邻居、跟邻居保持同向、往邻居中间靠——整群就飞出了队形。

所以群体智能的核心就四点：

• 个体简单：每个个体只会一点点
• 只跟邻居互动：不看全局，只看身边
• 两股劲互相制衡：互相强化让群体定下来，互相制衡不让群体走死路
• 整体冒出新东西：单个没有的本事，凑在一起就有了

一股劲是互相强化：走的人越多，路越明显，群体很快定下来；另一股劲是互相制衡：信息素会自己挥发，随机扰动让群体别一条路走到死。两股劲一平衡，群体既不会散，也不会太早扎进一个坑里出不来。

顺便说一句，神经网络是“学”出来的智能，MiroFish 是“建”出来的智能。神经网络像个黑盒，里面的数是什么意思很难说清；MiroFish 像个沙盘，外面的规则和参数都清清楚楚，比如“大 V 占比 30%”这种数，一眼就知道是什么意思。

蚂蚁找路——没有谁指挥，短的路自己变明显。

三种做法：集中式、分布式、蜂群式

一群 Agent 凑在一起干活，做法主要有三种。

做法	谁指挥	怎么配合	好处	短板
集中式（AutoGPT、MetaGPT）	主 Agent 发号施令	主 Agent 拆任务、分下去、收回来汇总	思路清楚、好控制	主 Agent 一垮，全停；Agent 一多就忙不过来
分布式（OASIS）	没有中心	Agent 直接对话，自己感知、自己决定	哪一个垮了，其他的还能接着干	分工要事先定好
蜂群式（MiroFish）	没有中心	不直接对话，靠共享的“数字世界”间接配合	扩展性最好，加很多也行	难控制、难预测

蜂群式还有一点特别：真实蜂群也是这样，蜂王只管繁殖、不指挥采蜜，工蜂靠信息素和摇摆舞互相配合。每个 Agent 只感知局部信息，群体却能找到好路。

三种做法——集中式、分布式、蜂群式。

现在的样子：MiroFish

MiroFish 是 2025 年 11 月上线的开源项目，作者是 666ghj（白浮），盛大孵化。2026 年 3 月 7 日，它冲到了 GitHub 全球趋势榜第一。3 月那会儿它是 3.2 万星，到了 11 月已经 8 万多星。作者的上一个项目 BettaFish（微舆），也从 3.9 万涨到了 4.2 万多星。

玩法很直观：给它一份文档，它生成成千上万个带人设、带记忆的 AI 智能体，放在一个像 Twitter、像 Reddit 的模拟社会里发帖、辩论、改变观点，最后出一份预测报告。底层引擎是 CAMEL-AI 团队开源的 OASIS，MiroFish 自己搭的是上层那套玩法。

打个比方，MiroFish 就像一个数字生态圈：种子信息是阳光，发帖的是草，转发的是兔子，大 V 是狐狸，平台算法是细菌——没有主控制器，系统自己转。

MiroFish 就像一个数字生态圈。

有一点值得注意：模拟的结果，很大程度上由开头决定。

• Agent 数量：100 还是 10000，决定群体规模
• 人设：年龄、职业、立场、影响力，决定观点分布
• 社会图谱：谁关注谁，决定传播路径
• 种子信息：怎么写、什么情绪，决定初始情绪
• 时机：工作日还是周末，决定一开始的热度

开头差一点，演着演着就差很多。降低这种敏感的办法也直接：同一条件跑很多次，不看单次结果，看概率分布；或者一次只改一个变量，对比结果有什么不一样。

什么时候停，也有讲究：

• 定死跑多少轮
• 等群体状态基本不变化了再停
• 等某个关键事件发生了再停

统计学家乔治·博克斯说过一句话：所有仿真都是错的，但有些是有用的。MiroFish 的价值不在“算得准”，在“能试”——现实里不敢试的、试不起的，先在沙盘里试一遍。

蜂群式 vs 去中心化 AI

这里容易混淆：蜂群式和去中心化 AI，听起来都像“没有中心”，其实是两个方向。

	蜂群式	去中心化 AI
讲什么	多 Agent 怎么配合、怎么冒出群体智能	小模型怎么在边缘设备上跑、怎么把分散的算力和数据攒起来
层面	上层应用：协作架构	基础设施：算力聚合
代表项目	MiroFish、BettaFish、OASIS	Petals、FLock.io、Grass、io.net

放在一条线上看更清楚：单一大模型 → 多 Agent 协作 → 去中心化网络。共同趋势是从单一智能走向群体智能，只不过走的路不一样。

模型选择：不一定非要用强模型

蜂群式还有一个常被误解的地方：是不是每个 Agent 都得用最强的模型？作者的想法是：不用。

蜂群式的优势是简单个体 + 复杂交互，不是每个个体都很强。

方案	数量	单个 Agent	适合干什么
强模型	少而精	个个能干	深度分析、复杂决策
小模型	多而简	个个便宜	大规模模拟、舆情推演

单个体弱一点没关系，数量和互动规则可以补回来。

最好的办法可能是分层：顶层 ReportAgent 用强模型，负责分析总结、把控质量；中层协调 Agent 用中等模型，负责分任务、调解冲突；底层模拟 Agent 用小模型，负责大规模生成行为。少量强模型保底线，大量小模型铺规模，整体还是去中心化的蜂群式。

这跟真实蜂群的分工很像：蜂王只管繁殖，工蜂是大量简单个体，整体智能来自互动，不是个体。

分层蜂群——强模型把关，小模型铺规模。

缺的那块：信任

拿开头那三个词当尺子，量一量 MiroFish：结构、分工、信任。

社会学习的三个机制——组织结构、分工协同、信任机制。

	对得上吗	怎么回事
结构	对得上	没有总指挥，智能体靠关注、转发、引用连成一张网，信息顺着网走
分工	对得上	人设不同、立场不同，还有个报告智能体汇总分析；辩论、改观点就是互相补位
信任	缺了	不打分、不核实，大 V 一转就传得更远；观点改变全靠大模型自己从上下文里推

缺信任的后果，看得见：仓库里翻不到任何一个拿真实结果对照过的准确率数字。想拿历史事件回头验证的提议，到现在还只是别人提的一个公开想法，没人做出来。星数 8 万多，准不准，没人说得清。

先说清楚：不是说 MiroFish 没用。模拟本身能跑，能复现传播、一边倒、跟风这些现象。缺信任的意思是，它模拟的是“人怎么互相影响”，不是“哪些影响值得信”。一群人互相学，但没人把关，学来的可能是谣言。

信任这事，分三层说。

1. 观察模仿要信得过：你学的人得靠谱，学来的东西才靠谱。
2. 分工协作要关系稳：合作久了，配合才有效率；互相不信，合作就是一盘散沙。
3. 群体智慧要知识共享：好东西得愿意拿出来，群体才能比个人聪明。

信任是社会学习的基础，评估看可评估性、不确定性、一致性、公平性。

没有信任，群体越热闹，错得越整齐。一个谣言被大 V 一转，没人核实，雪球越滚越大；跟风的人越多，错的越像对的。

这一点，和高云君教授上午那场也接得上。高教授讲私域数据落地，卡在溯源和确权：数据用完出了问题，得能追到是谁的、谁负责。协作要可信，数据使用也要可信、可追责，是同一个问题在两个层面的出现。

可信私域数据驱动垂域智能的研究框架，三大支柱。

杨博教授那场也提到过，群体本身就是个复杂系统，规律可以从数据里学出来。只不过他那场讲的难处是数据又少又有噪声，学出来的规律准不准，还得看输入的东西可不可靠。

另一条路：Paper2Agent

斯坦福 9 月 16 日发在 Nature 上的一项工作，叫 Paper2Agent。它走的是另一条路：把一篇论文变成一个能干活的智能体。

做法是：把论文的方法变成能直接调用的工具。工具要经过验证：数字得和论文自己的结果对得上，工具一旦做好就锁死，不让模型自己瞎发挥。

数字很实在。AlphaGenome 那篇，22 个工具，45 分钟，14 美元，全通过了验证。已有的问题答对 98.7%，新问题 100%。100 篇计算生物学论文，74 篇成功转成了智能体，599 个工具里 593 个通过了验证。

最有意思的是三个论文智能体合力那次：AlphaGenome 负责预测，MPRA 负责核验，Perturb-seq 负责交叉验证，一起锁定了 GPR137 这个银屑病相关的候选基因。三篇论文单拎出来，谁也没做出这个发现。

三个论文智能体合力锁定 GPR137；已有任务 98.7%，新任务 100.0%。

和 MiroFish 比，区别很清楚：Paper2Agent 的智能体是“能干活的”，手里有经过验证的工具；MiroFish 的智能体是“有人设的”，手里只有人设和记忆。一个是把知识变成能用的工具，一个是把人变成能演的角色。

两条路，两个方向

一条路是“机器向社会学”：机器群体通过社会学习，把任务解得更好。

MiroFish 是“机器演社会”：机器群体模拟人类社会，预测人会怎么反应。

两条路之间有座桥：把 MiroFish 里的人设智能体，换成 Paper2Agent 这种任务型智能体，模拟社会就从“演给大家看”变成了“合力解题”。到了那一步，信任那块拼图就不是可有可无的装饰，而是必须有的结构：谁的工具通过了验证，谁的结果能被复现，都得有说法。

往后看，是这么个社会：物理人、虚拟智能体、具身机器，三种角色在一个社会里互相影响、一起进化。群体智能的下一步，不是把智能体堆得更多，而是把“谁可信”这件事做进系统里。

物理人、虚拟智能体、具身智能机器共生的未来社会。

回到开头那三个词。今天这篇想说的是，MiroFish 搭起来之后，缺的那块是信任。

群体智能不是人越多越聪明，是互动规则越合理越聪明。而信任，就是那条规则里最关键的一条。

你觉得一群 AI 在一起，最缺的是什么？欢迎讨论。