OpenAI多Agent系统解难题贡献不足10%，专家揭示协作效率瓶颈

近日，OpenAI在DevDay 2026大会上正式将多Agent系统推向产品化阶段，推出了名为Dots的智能体产品线。该系统通过让多个AI智能体分工协作，旨在为个人用户和企业用户提供全天候的工作助手。然而，这一备受瞩目的技术突破背后，却隐藏着一个令人深思的事实：当1万个AI智能体共同协作解决复杂问题时，它们的实际贡献可能不足10%。

这一观点来自OpenAI研究员Noam Brown，他也是o1推理模型的早期奠基者之一。在近期与播客主持人Dwarkesh Patel的对话中，Brown详细阐述了多Agent系统面临的现实挑战。在他看来，当前多Agent系统的核心问题在于协作效率低下，尤其是在处理需要深度理解和复杂推理的任务时，多个智能体之间的有效沟通和上下文共享仍然是一个巨大的技术障碍。

"我们之所以能够取得这些成果，主要得益于一个足够强大的通用模型，"Brown表示，"而多Agent系统的作用更多是作为一种并行计算的扩展方式，而不是提升整体能力的关键因素。"

从技术实现的角度来看，多数现有的多Agent系统采用预设的编排框架，由一个协调智能体负责任务拆解和分配，子智能体完成各自部分后回传结果。这种设计虽然直观有效，但存在明显的局限性：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，协作效率较低。如果子智能体对任务理解不清或需要澄清，它只能在回传提问和自行假设之间二选一，这可能导致执行中断或偏离目标。

为了解决这些问题，OpenAI采取了一种不同的方法：尽量压低预设结构，只给智能体最基础的工具，让它们自己摸索如何有效使用。核心机制是，智能体可以随时向其他智能体发送消息，消息会直接进入对方上下文；系统另有几项类似操作，但基本就这些。Brown透露，这种机制下，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，但这仍然不足以充分发挥1万个Agent的潜力。

值得注意的是，OpenAI此次推出的多Agent系统并非孤立的技术尝试。就在几天前，OpenAI在GitHub平台上一次性发布了722篇内部模型产生的数学手稿，涵盖准黎曼猜想、唯一博弈猜想等多个重大课题。这些成果引发了数学界的广泛关注和争议，部分学者认为AI介入数学研究的方式值得商榷，因为模型未公开，数学家仍需独立验证和消化这些结果。

普林斯顿高等研究院数学与人工智能咨询小组（AGMAI）对此发表声明称，OpenAI发布的数学成果意义重大，但仅仅是人类理解和将这项工作融入数学知识体系的开始。该小组强调，数学研究的未来不能仅仅局限于理解AI实验室的成果，数学家必须能够提出自己的问题，发展自己的研究方法，并探索那些尚未被选为AI系统能力示例的研究方向。

尽管如此，OpenAI并未停止在多Agent领域的探索。公司表示，未来将继续优化智能体之间的协作机制，包括改进上下文共享、减少重复劳动以及提升任务分配的智能化水平。同时，OpenAI也在积极寻求与学术界的合作，以确保其研究成果能够更好地服务于科学研究和实际应用。

总的来说，OpenAI的多Agent系统展示了AI技术在协作和分工方面的巨大潜力，但也暴露出当前技术在处理复杂任务时的局限性。随着研究的深入和技术的进步，如何提高多Agent系统的协作效率，使其真正成为推动科学发现和社会发展的强大工具，将是未来需要重点关注的方向。