多智能体系统：从经典范式到大基础模型驱动的未来

核心观点

本文探讨了多智能体系统（MASs）从经典范式向基于大型基础模型（LFMs）的未来架构的演变。文章首先回顾了经典MASs（CMASs）在感知、通信、决策和控制四个基本维度上的研究进展。然后，文章分析了基于LFMs的MASs（LMASs）的核心模块、交互机制、优化方法和涌现集体智能。接着，文章对CMASs和LMASs进行了多维度的比较分析，对比了它们的架构、运行机制、适应性和应用。最后，文章提出了MASs的未来研究方向，总结了开放挑战和潜在的研究机会。

关键数据

• 文章引用了大量最新的研究论文和资料，涵盖了MASs的多个领域，包括机器人、社交智能和卫星系统等。
• 文章提到了多个具体的MASs案例，例如ChatDev、MetaGPT、OpenClaw、RoCo、AgentVerse、MACNET、SocioVerse等。
• 文章分析了多个LMASs的核心模块，包括角色定义、感知、规划、记忆和执行等。

研究结论

• CMASs和LMASs在架构上存在相似之处，例如都具有自主性、反应性、主动性和社会能力等特性，都追求实现系统级的智能目标，都支持集中式、分散式或混合式的组织结构，都可用于并行或分布式地执行任务，都可能出现超越单个智能体能力的系统级行为。
• CMASs和LMASs在运行机制上存在差异，主要体现在感知、行动、通信和安全风险等方面。CMASs通常依赖于低维、结构化的物理或数值状态变量，行动通常是低级和细粒度的，通信使用紧凑、结构化的信息交换，安全风险主要来自模型错误、噪声和通信故障。LMASs则扩展到非结构化的多模态输入，行动是高级的、以意图为导向的，通信依赖于自然语言，安全风险则表现为语言推理固有的问题，例如幻觉、指令漂移、上下文误解和工具滥用等。
• CMASs和LMASs在适应性上存在差异。CMASs通常需要重新设计或重新训练才能适应新的任务，而LMASs可以通过零样本或少样本迁移学习快速适应新的场景。
• CMASs和LMASs在应用场景上存在差异。CMASs适用于可建模、紧密约束和结构定义的任务，例如编队控制、任务调度和能源管理。LMASs则适用于开放世界、知识密集和非结构化的场景，例如具身AI、GUI操作、软件工程和社会模拟。
• 未来MASs的研究将关注跨范式集成、多模态扩展、因果增强推理、可扩展的设备-边缘-云部署、具身智能和伦理问题等方向。

未来研究方向

1. CMASs和LMASs的协同进化
2. 多模态扩展
3. 因果增强推理
4. 设备-边缘-云部署
5. 具身智能
6. 伦理和安全