📰 2026-09-18 AI 日報

千禧年大獎難題，數學界公認的七大天坑之一，OpenAI 內部團隊最近解開了一題。外界第一反應是「哇，多智能體協作太強了」，畢竟這半年業界拚命堆疊 Agent 蜂群敘事——NVIDIA 賣 Vera Rubin 平台專門處理「代理式 AI 負載比傳統對話複雜 100 倍」，YC 投資 Raindrop 做 agent 監控，Google、Amazon、Microsoft 聯手訂 Agent Plugins 標準，整個生態都在賭「一堆 AI 一起工作」是下一個突破口。 但在 Dwarkesh Patel 的訪談裡，OpenAI 研究員自己拆了台：那道難題真正的突破，靠的是底層模型的泛化能力，多智能體協作只貢獻了大概 10% 的效能。換句話說，找一百個 AI 開會分工，跟找一個真正夠聰明的模型單獨硬解，後者才是關鍵。開會的那群 AI 看起來很忙，但多數時間是在錦上添花，不是雪中送炭。 更扎心的是後面那句：平行化的效益看題目類型，數學和深度網頁搜尋還行，創意寫作這種東西，丟一千個 Agent 去寫小說，成果不會比一個聰明模型好多少。這跟很多新創公司現在的敘事完全相反——大家都在包裝「多 Agent 協作解決複雜任務」當賣點，實際上核心變數還是那顆大腦夠不夠強。 再往下看更冷。研究員提到 LLM 面臨「訓練難題匱乏」的瓶頸：圍棋能讓 AlphaGo 自我對弈狂練，是因為輸贏規則清楚到不能再清楚，AI 可以自己出題自己驗證自己進步。但現實世界的難題，多數沒有這種乾淨的驗證器，模型沒有足夠多「夠難又能自動判定對錯」的題目可以刷，想複製圍棋那種指數躍升，目前看不到路。 同一週 Matthew Berman 那則影片在酸 Anthropic 一邊喊 AI 有毀滅風險、控制計畫還有缺陷，一邊照樣衝 IPO——邏輯對不上。這其實跟多智能體迷思是同一種病：業界的敘事節奏，永遠比研究進度本身還快。真正在做研究的人講得很保守，講故事賣基礎設施、賣股票的人講得比研究員激進十倍。 下次看到「Agent 蜂群」四個字被拿來當賣點，先問一句：那 10% 的力氣，值不值得整套機架級基礎設施。