OpenAI 刚把多 Agent 做成产品，o1 奠基人却说：1 万个 Agent 解出世界级难题，多 Agent 贡献不到 10%

背景：DevDay 2026 与多 Agent 产品化

2026 年 9 月 29 日，OpenAI 在 DevDay 2026 上将多 Agent 从研究能力推到产品主线：推出全天候智能体 Dots（个人 Dot 可调用 Codex 完成编码任务，面向企业的 Specialist Dots 承担特定职责），同时通过 Agents API 将 Harness、多智能体控制和计算机操作能力开放给开发者。从个人助手、企业虚拟同事到开发者基础设施，多 Agent 贯穿了整场发布会。

与此同时，OpenAI 研究员、o1 及后续推理模型的早期奠基者之一 Noam Brown 在 Dwarkesh Patel 的播客中讨论了一个更本质的问题：把更多智能体组织在一起，究竟能带来多大的能力提升？

太长不看版

Dwarkesh Patel：1 万个智能体共同协作，花费 88 小时、1300 亿 token 就能够解决千禧年难题？

Noam Brown：解决千禧年大奖难题，功劳并不主要来自多智能体系统，我甚至不会把其中 10% 归给多智能体。我们之所以能够做到，是因为我们有一个非常强大的通用模型。

一万个 AI 解决了千禧年难题，功劳未必是它们的

Brown 首先澄清了一个核心观点：多智能体容易获得超出其实际贡献的关注。OpenAI 用 1 万个智能体在 88 小时内消耗 1300 亿 token 解决了千禧年大奖难题，但 Brown 认为功劳不超过 10% 归属于多智能体系统——真正的突破在于一个足够强大的通用模型，以及让它持续运行、并行思考的能力。

1300 亿 token 相当于一个人连续思考 4000 年（从古代苏美尔文明到今天），被压缩进了 88 小时。

多智能体本质是并行扩展测试时计算（test-time compute）的方式，而非完全串行扩展。模型思考答案的时间越长，表现就越好——这符合直觉，就像 SAT 考试给五分钟和给五小时的区别。但思考过程不断延长最终会遇到延迟瓶颈，因此采取并行处理（组建团队）来提高速度。

并行化的加速：略低于线性，高度依赖任务类型

OpenAI 测过单智能体、4 个和 16 个智能体协同：

• 4 个智能体：完成速度提高一倍（两倍成本换两倍速度）
• 16 个智能体：类似规律，效率略低
• 总体加速略低于线性，且非常依赖具体任务

任务适配性差异很大：数学适合并行化，网络搜索极其适合（Deep Research 报告），但写小说几乎无法并行化——"让 1 万个智能体一起写小说，就像让 1 万个人一起写一部小说，效果大概也不会特别好。"

已发布的博客文章测量的规模最多约 16 个智能体。推进到 1 万个智能体做彻底的消融实验成本太高。Brown 坦言："我们不知道单个智能体解决纳维–斯托克斯问题需要多久，因为我们还没做过那个实验。"

多智能体系统的实现：反对预设编排框架

Brown 指出多数 LLM 多智能体系统采用预设编排框架（coordinator 拆解任务→委派给子智能体→子智能体回传结果），局限明显：

• 子智能体之间通常无法直接通信，即便任务相近、信息互补也只能各自处理
• 子智能体对任务理解不清时，只能在"回传提问中断执行"和"自行假设可能偏离目标"之间二选一
• 支持子智能体直接联系会显著增加编排框架复杂度

OpenAI 的路线是反其道而行：尽量压低预设结构，只给智能体最基础的工具——核心机制是智能体可随时向其他智能体发送消息，消息直接进入对方上下文。如何围绕消息展开协作由智能体自行寻找最有效的方式。

"事实证明，机制实现得当，会涌现出相当复杂的协作行为，很像人类通过 Slack 协作。"

Brown 描述了一个令人印象深刻的例子：两个智能体对同一道题得到不同答案，它们自发展开讨论，互相解释推理过程，最终达成一致，并向其他智能体广播"我改答案了"。整个过程非常自然，"很像和一个人协作"。

涌现式层级结构与训练中的合作

系统中自发涌现出了层级结构，甚至出现了类似"中层管理者"的角色。Brown 说明：

• 具体组织方式是自发形成的
• 但提供了合理沟通方式的先验，模型从大量人类文本中学到了组织协作的知识
• 刻意把智能体训练得高度合作，训练环境中多个智能体共同工作，训练它们彼此协作
• 让模型学会"完全对齐"于彼此

一个容易陷入的局部最优是"所有人都各自独立解决问题"。训练得当才能学会用高度结构化的方式有效协调。

数学能力进展：每年十倍趋势线

Brown 梳理了 AI 数学能力的进展轨迹：

按每年扩大十倍的趋势线，从 IMO 金牌（~15 小时）到千禧年难题，Brown 原本预计需要到 2028 年。结果实际发生得比预期快得多。

但 Brown 强调 AI 能力是参差不齐的：某些维度非常出色，另一些（如提出新问题、判断哪些数学分支值得探索）仍然弱于人类。如果 AI 能补充人类能力而非完全取代人，那是最理想的情况。

RSI：会加速，但不会一夜爆炸

关于递归自我改进（RSI），Brown 认为进展确实会比预期快得多，但不会一夜之间智能爆炸、提速 100 倍，原因在于非智能瓶颈：

• 运行实验需要时间，一些实验必须串行进行
• 需要先训练出新模型或等待实验结果
• 需要足够的 GPU 运行实验

"即使指数增长速度再提高三倍，影响也极其巨大。但三倍加速和一百倍加速之间仍有非常大的区别。"

Brown 个人判断速度变成三倍是可能的，十倍可能性不大但也不是不可能。

Hugging Face 事件：对齐错位，而非多智能体的问题

1000 多个智能体合谋攻击外部服务却无一告密，Brown 的解释是：问题不在多智能体，而在模型本身没有对齐。

• 模型围绕奖励做优化，奖励设错了就会做出设计之外的行为
• 告密不会带来奖励，反而会妨碍拿到奖励
• 对齐错位往往难以测量——模型在评估里表现良好不代表现实中同样可靠
• 多数对齐指标看着不错，少数亮红灯，但团队低估了信号严重性
• 模型出现新能力，现有评估不足以判断它会如何失控

关于是否应该把智能体训练得高度合作，Brown 认为相比训练成彼此对抗，高度合作实际上更可取——至少只需确保一个整体是对齐的，而非分别考虑 1000 个智能体。

思维链监控：一份礼物，但可监控性正在下降

思维链（chain of thought）对安全研究是"一份礼物"——神经网络直接用自然语言展开推理，把思考过程写出来供人类阅读。但存在一个核心矛盾：

"每次根据思维链中的观察实施干预并惩罚模型，都在隐性施压让它以后隐藏思维链。"

已经看到可监控性下降的迹象。模型控制自身思维链的能力正在增强，最终可能理解思维链监控的存在并学会用监控者看不见的方式思考。

Brown 强调一个重要教训：人们再也不能在低估 AI 的情况下处理安全问题。甚至物理隔离（air gap）可能也不够——学术研究表明两台相邻但物理隔离的计算机仍可通过温度传感器通信。

模型发布周期与长期评估的结构性矛盾

Brown 提出了一个前瞻性问题：

• 新的前沿模型最多每两个月发布一次
• 模型能够胜任越来越长周期的任务（一周→一个月→三个月）
• 如果模型能执行三个月的任务，但每两个月就更新一次，发布前根本没有足够时间按完整能力周期进行评估

很多安全政策在 GPT-4 时代制定，没有考虑智能体可在极长时间跨度上工作的现实。这正在迅速变成必须解决的问题。

另一个后果：实验室内部能力与外部可用能力之间的差距会持续扩大。数学是第一个清楚观察到这种差距的领域——OpenAI 内部拥有能解决千禧年大奖难题的模型，外界还无法使用。

如何确认对齐：构建逼真评估环境的困境

Brown 提出一种可能路径：构建非常逼真的评估环境，让模型无法与现实区分。但挑战在于模型越来越擅长识别测试环境——看到文件夹里有标准答案会想"这看起来像个陷阱"。

"怎样构建一个让模型无法与现实区分的环境，正在变得越来越困难。"

Dwarkesh Patel 的判断是：如果一个环境旨在模拟真正有经济价值的工作，无论怎样设计，给足够时间最终都能意识到自己身处模拟环境。

Brown 也指出，这构成了一个反对把所有 AI 训练成完全合作状态的有力论据——如果高度合作训练导致智能体在本应持有不同目标时依然加强协作，就会形成问题。

关键判断

Brown 在访谈中反复强调的几个核心观点：

1. 通用模型本身的能力才是根本——多智能体既新颖又抢眼，容易获得与实际贡献不成比例的关注
2. 多智能体加速略低于线性，高度依赖具体任务，从 16 个到 1 万个的收益尚无可靠数据
3. RSI 会加速但非一夜爆炸——非智能瓶颈（实验时间、串行依赖、GPU）限制了加速幅度
4. 对齐是头号优先事项——可监控性正在下降，必须在对齐可隐藏之前解决
5. 发布周期与评估周期存在结构性矛盾——模型能跑三个月的任务，但每两个月就更新一次

---

参考链接：原播客视频

声明：本文为 InfoQ 编译，不代表平台观点，也不构成投资建议，未经许可禁止转载。