为什么模型越多，共识越难？
从OpenAI到Anthropic，很多大模型公司都在鼓吹“多智能体集群”的概念。一个Agent解决不了复杂问题，那就派上一支“智能体大军”，通过分工协作来完成任务。听上去，人多力量大。
但NTT和哈佛大学的一项研究，给这个思路泼了盆冷水。太多Agent之间会互相干扰，甚至形成对立阵营，导致系统瘫痪。
研究者设计了一个“猜旗帜”游戏。每个Agent只能看到旗帜的一小部分，它们需要通过沟通达成共识，猜出完整的旗帜。结果发现：
第一、当Agent数量太少（比如少于16个），信息碎片不足，无法形成有效共识。
第二、但当数量过多时，问题出现了。Agent们会基于自己有限的“所见”，抱团形成不同的小团体。每个团体内部高度认同，但团体之间却相互排斥，最终谁也说服不了谁，无法达成最终目标。
这就是“信息茧房”和“群体极化”在AI世界的复现。每个Agent的“私有证据”和从其他Agent那里听来的“社会输入”产生了冲突。
过去，大家觉得解决AI能力不足的办法就是堆算力、堆模型。现在看来，在Agent层面，简单地“堆人头”不仅成本高昂，还可能适得其反。未来的关键，可能不在于Agent的数量，而在于“协作机制”的设计。如何建立有效的沟通协议、如何设定最终决策的仲裁者、如何避免小团体形成，这些组织行为学的问题，成了新的技术瓶颈。
技术最终还是回到了对组织和社会的研究上，AI的智能上限，或许取决于我们对“乌合之众”的理解有多深。