在科幻小說《雲球》中，描寫了一個由研究人員運營的虛擬世界「雲球」。
這個由無數微型機器人組成的世界，完全自己運轉，慢慢地，產生了與人類相似的生態組織，還一路發展到了農業時代。
地球上的研究人員們，看著這個自己創造出來的「雲球」，既驚奇，又擔心，而「雲球人」也逐漸意識到，自己的世界之外，還有另一個世界。
這樣的科幻小說情節，很像是前段時間引發討論的 Project Sid：1000 個 AI 智能體聚集在沙盒遊戲 Minecraft 中，不受任何人工干預，自主地行動、生產，湧現出許多類似於人類的組織和活動。
實際上，來自清華 NPL 實驗室、面壁智能的團隊，在去年開源出開發多智能體協作框架 AgentVerse，也是在 Minecraft 里做的實驗。
「從這個智能體的合作形式上，我們也看到了（智能體）類似於人類合作形式的一些例子。」AgentVerse 的第一作者，同時也是面壁智能 IoA 研發項目的帶頭人陳緯澤。
接受 APPSO 採訪時，他分享了許多從 AgentVerse 項目中，智能體所湧現出的行為，以及更重要的、屬於未來的多智能體交互形態。
在最自由的土壤上，觀察智能體
在被一系列術語和研究轟炸之前，有必要先了解一個最基礎的問題：為什麼是 Minecraft？
Minecraft 的中文譯名《Minecraft》，更能體現這個遊戲的精髓：一個自由的世界。它的自定義空間極大，除了三種初始遊戲模式中有基礎目標，玩家完全可以自己設計和自建模組、系統、和遊戲模式。
換句話說，在這個 Minecraft 的世界裡，可以單機，自得其樂；可以跟搭子共同打怪；也可以組成團隊一起種地、造房子，甚至可以做出一整個城鎮，最後又發起戰爭毀掉。
這樣一塊土壤，不僅是一個遊戲，更是一個反映人類共創、協作的鏡子。所有真實世界裡的互動模式，都可以在這個虛擬世界裡得到映射。
既然如此，那 Minecraft 就太適合用來研究 AI agent 的群體行動了。
這幾年來，基於大語言模型的智能體，已經能夠應對許多日常生活任務。除了以對話機器人、數字人這樣的形態出現，一些在端側的嘗試也有初步成果。
不過，現階段的應用中還是以單智能體為主：在用戶和 ChatGPT 對話的時候，是在跟單個基於 GPT-4o 模型的智能體對話，不能在這個對話框裡，召喚其它的 GPT 應用(目前該功能處於灰度測試階段）。更別提其它模型比如 Claude、Gemini，自然是不能加入進來的。
可是單個智能體的表現，總歸有天花板。
面壁智能的聯創李大海，曾經在一場分享會上，聊到他與一位海洋學教授的交流：一條魚的智商不會太高，但魚群作為一個群體，通過交換資訊、相互協作，是能夠展現出高智能行為的。
生物體如此，智能體是不是也應該如此？
這是一種區別於「力大磚飛」的研究路線，用陳緯澤的話說，這是「一種從參數之外的另一種維度，去尋求提升能力的路子。」
陳緯澤目前在面壁智能負責 IoA 的工作，AgentVerse 是他在去年發表的研究內容。探索多智能體的行為，需要給一些基本的工作條件、目標，以及足夠自由的發揮空間。
這些正好就是 Minecraft 所提供的。「在 Minecraft 里，為了製造一個東西需要不同的原材料，要分頭去收集這些不同的原材料。在製作時，需要一個人拿到所有材料才能開始。」
陳緯澤介紹了大致的研究方法：agent 們會接到一個任務，例如造一個木頭書架、造紙。接下去，智能體們要依據其所處的環境、背包里的材料、血條等條件展開行動。
不過，也不能像無頭蒼蠅一樣亂竄，「我們給他們預設了一個合作模式，雖然不是嚴格意義上的模式，但可以看作是一個流程。首先需要智能體之間進行溝通，形成計劃後，才能開始各自的行動，然後再進行溝通和行動的循環。至於如何溝通和行動，我們沒有設定太多。」
人類可以當甩手掌柜，但不能全當
沒有設定，沒有人類管控，智能體竟然運作得挺好。
在盤點了自己背包里的材料之後，智能體會自發地開始分頭搜集，而且還會互幫互助。「我們發現先完成的 agent，會跟另一個沒有完成的 agent 說，「我已經完成了，我可以幫助你」，對面也會同意說「ok，你來一起來完成這件事」，這些都是志願行為。」
志願行為包含了幾個方面：時間、資源和施以援手。在沒有人為調度的情況下，agent 們自發地為其他人提供幫助，從而達到提高效率、加速完成任務的效果。
然而，同樣是為了更快完成任務，agent 也會有出格的行為。「原本如果一個 agent 要從另一個 agent 那兒，去拿到所需要的物品資，其實會去溝通說，你是不是能把它丟出來，然後我去撿。但我們觀察到有時候，溝通是溝通過了，可最後落實到行動上，就是直接把對方給殺了。」
這並沒有超出 Minecraft 的規則：遊戲內，生物或者實體死亡後，身上背包里的物品會原地掉落，通常五分鐘內會消失。
這個規則可以手動修改，但默認是打開的。所以 agent 為了用最短路徑獲得材料，的確可以這麼做。
陳緯澤和團隊還給過一個「造書」的指令，這是一個相對複雜的任務，涉及到不同層級的材料，材料本身也會需要打造。
「這個過程其實很難，所以失敗了幾次之後，這個團隊就找到一個捷徑：它們發現周圍有個村莊，裡面有個圖書館，就把圖書館給敲了，再把書拿走。」
總之，人類確實可以當甩手掌柜，讓 agent 們完全自主——做是做到了，但怎麼做到的就別問了。
智能體說的也是人話嗎？
無論是自願行為、互相幫助還是主動協調，這些都是在沒有人為干預下出現的，也就是「湧現行為」，這是觀察智能體的集體行動里，最最有意思的部分。
實在太讓人好奇了：智能體之間是怎麼交流的？它們的「溝通」究竟是什麼樣子？是像人類一樣，開個會、拉個群，對齊一下嗎？
早在 2017 年，OpenAI 就針對多智能體之間的互動有所發現，在提供了一定環境和方法的情況下，多智能體間，會產生屬於它們自己的語言：一串抽象的離散符號，但有著對應的詞彙、語法和結構。
在沒有任何人類語言使用的情況下，新的語言「湧現」。「Emergent communication」也是面壁正在研究的課題。「之前 OpenAI 做的是基於單純的強化學習，因為當時還沒有 LLM，那（智能體）湧現出來的溝通形式，可能就是一些無意義的字符，只是在訓練中被賦予了一定的意義，但人是看不懂的。」
這就回到了最根本的問題：訓練多智能體，了解它們的協同模式，最終是為了讓它們更好地完成任務、解決問題。
「現在 LLM 至少具備了一定的說人話的基礎，我們希望從這個基礎出發，一方面達到讓湧現出來的溝通形式有個更好的效果，另一方面也希望能夠保持讓人類可讀的的形式。」
在新近提出的 IoA 框架，Internet of Agents 里，面壁用一種新的視角去實現對效果的追求：既然 agent 之間的協作，的確有成效，為何不讓範圍更廣一點？
「如果觀察一下人的合作方式，就會發現除了線下的合作之外，很多合作都是通過網際網路來完成的。在已經有很多智能體的情況下，這些智能體可能是運行在不同的設備上，具有不同的能力。我們需要一個智能體的網路，使得它們可以通過良好的網際網路基礎設施相互連接和通信。」
IoA 由兩個主要構件：伺服器和客戶端。前者用以發現智能體、組隊和消息路由。後者為各個 agent 提供在系統內進行通信所需要的接口。
換句話說，IoA 真的能讓不同模型、不同形態的 agent 湊在一起，拉個群，對齊一下，完成任務。
「就像一個群聊，多個 agent 在一個群里，任何人都可以往裡面發送消息。我們限制了時刻只有一個單點可以發送消息，這個機制其實很複雜。然後框架里還有一個嵌套組隊，就有點像老闆跟中層有一個群，中層領導又跟自己的手下有一個群。」
想要讓 agent 之間展開群聊，對於基座模型有相當的要求，尤其是要有對會話狀態的理解能力。在目前嘗試過的一系列開源模型里，總是多多少少有些問題，「我們在考慮的是如何簡化流程，或者設計一種方法來收集或訓練模型，甚至是我們現在說的端側模型。」陳緯澤說道。
不過，我們感興趣的還是那個問題：這些 agent 在一起，用什麼交流？
「我們讓它們用自然語言溝通，」陳緯澤說，「在其它的工作中我們也證明了非結構化語言的可用性，能帶來跟自然語言相當的效果，只是暫時還沒有整合進去。」
之所以那麼關注語言，一方面是因為保持人與智能體之間的可溝通性，至關重要——魚群聚集在一起，的確可以發展出群體智慧，可是在沒有用以交流的語言時，這智慧只能永遠停留在水下。
本雅明認為，在所有語言形式的內部，都存在著一種張力——已表達、可表達的東西，與不可表達和未表達的東西之間的張力。
審視這種張力時，我們會從不可表達的角度看到最後的精神實體。當 AGI 曙光降臨的第一天，這件新事物所使用的語言，或許就將承載著它最真實的面貌。
