我哋一面驚 AI 會取代人類，一面又發現連最基本嘅「分工合作」佢都仲未搞得掂——呢個矛盾，正好揭示咗而家人工智能發展最微妙嘅一個盲點。
2026 年嘅當下，AI 行業已經唔再淨係追求單一模型嘅「智力」提升。業界越嚟越關注嘅課題，係多個 AI 智能體（agents）之間點樣真正協調。背景資訊提供咗一個好生動嘅例子：想像一個醫療系統，入面有四個 AI agent，一個負責症狀評估，一個負責預約排期，一個處理保險理賠，仲有一個管理藥房配藥。每個都係自己領域嘅專家，但佢哋各有各嘅知識庫同目標。而家佢哋可以交換數據，但仲未做到真正嘅「協調」——即係話，佢哋識得講嘢，但仲未識得「傾偈」。
呢個差距，就係超級智能嘅「最後一哩」。
分析：合作難過聰明
要理解點解多智能體協調咁難，首先要明白「交換數據」同「真正協調」之間嘅鴻分。而家嘅 AI agent 之間，技術上已經可以透過 API 互相傳遞資訊——症狀評估 agent 可以將患者嘅初步判斷傳俾排期 agent，排期 agent 再將時間 slot 傳俾保險 agent。呢個流程睇落順暢，但問題在於：每個 agent 都係用自己嘅目標函數（objective function）去做決策，佢哋之間冇一個共同嘅決策框架。
舉返醫療系統嘅例子。症狀評估 agent 嘅目標係「最準確判斷病情」，排期 agent 嘅目標係「最有效率分配資源」，保險 agent 嘅目標係「最合理控制成本」，藥房 agent 嘅目標係「最安全配發藥物」。呢四個目標之間，本身就存在結構性嘅矛盾。準確判斷可能需要更多檢查時間，同效率分配有衝突；控制成本可能限制可用藥物選項，同最安全配藥有摩擦。如果呢四個 agent 淨係交換數據而唔協調決策，結果就係每個都做自己嘅「局部最優」（local optimum），但整體系統達唔到「全局最優」（global optimum）。
呢個問題喺 AI 研究領域有個正式名稱，叫做多智能體協調（multi-agent coordination），係人工智能學科入面一個長期存在嘅研究課題。從博弈論嘅角度嚟睇，呢個本質上係一個合作博弈（cooperative game）嘅問題——點樣設計機制，令到多個有唔同偏好嘅參與者，自願選擇對整體最有利嘅行動。呢個問題嘅數學基礎可以追溯到 1950 年代 John Nash 嘅工作，但將佢應用到 AI agent 嘅動態協調上，難度完全唔同一個層次。
從「識諗」到「識傾」
而家嘅大型語言模型（LLM）已經展現咗相當強嘅推理能力，但呢種能力主要係單一模型內部嘅「識諗」。真正嘅智能，唔淨係識得自己諗，仲要識得同其他智能體「傾」——協商、讓步、妥協、達成共識。呢個先至係人類社會運作嘅核心邏輯。
人類之所以能夠建立複雜嘅社會制度，唔係因為每個人都好聰明，而係因為我哋發明咗合作嘅機制：法律、市場、民主投票、外交談判。呢啲機制嘅本質，就係解決多個個體之間目標唔一致嘅問題。如果 AI 要真正達到「超級智能」嘅水平，佢唔淨止要識得推理，仲要識得建立同執行呢類合作機制。
從技術層面睇，目前多智能體系統面對嘅挑戰主要有幾個維度。第一係資訊不對稱：每個 agent 只知道自己嘅狀態同目標，對其他 agent 嘅內部狀態只有有限嘅了解。第二係目標衝突：唔同 agent 嘅獎勵函數（reward function）可能互相矛盾，需要設計妥協機制。第三係動態環境：系統狀態不斷變化，協調策略需要實時調整。第四係信任同問責：如果一個 agent 嘅決策導致錯誤，點樣追溯責任？
以醫療系統為例，如果症狀評估 agent 判斷患者需要緊急處理，但排期 agent 基於效率考量將佢排喺三日後，呢個延誤嘅責任歸邊個？如果保險 agent 為咗控制成本而拒絕授權某項檢查，最終導致誤診，邊個負責？呢啲唔淨係技術問題，更加係制度同倫理問題。
反方觀點：真係需要「合作」嗎？
當然，有唔少業界聲音會質疑：係咪真係需要 AI agent 之間嘅「合作」？一個更簡單嘅方案，咪就係設計一個中央調度系統，由一個「主腦」agent 統籌所有決策。呢個方案嘅邏輯係：與其搞四個 agent 互相傾偈，不如一開始就設計一個全能嘅系統，包攬所有功能。
呢個思路有佢嘅道理。中央調度可以避免多智能體之間嘅通訊開銷同協調成本，決策路徑更短，問責更清晰。而且，而家嘅大型模型已經展現咗跨領域嘅能力——一個模型同時處理症狀評估、排期、保險同配藥，理論上並非不可行。
但呢個方案有根本嘅局限。第一係可擴展性（scalability）：當系統需要處理嘅領域越嚟越多，單一模型嘅複雜度會呈指數級增長，而多智能體架構可以透過模組化設計保持每個 agent 嘅專注度。第二係專業深度：一個專門做症狀評估嘅 agent，可以喺呢個領域訓練到極致，但一個乜都做嘅「全能」agent，每個領域嘅深度都會打折扣。第三係系統韌性（resilience）：多智能體架構有冗餘，一個 agent 出問題，其他可以補位；中央系統一旦崩潰，全盤皆輸。
更重要嘅係，中央調度方案迴避咗一個本質問題：現實世界嘅決策，本身就係多方博弈嘅過程。醫療系統入面，醫生、護士、保險公司、藥劑師本來就各有立場同利益，佢哋之間嘅協商同妥協係制度運作嘅核心。如果 AI 系統要真正模擬同優化呢個過程，佢必須要識得「合作」呢回事，而唔係靠一個中央大腦硬性規定所有嘢。
重點摘要
- 多智能體協調係 AI 領域嘅長期研究課題，核心挑戰在於多個各有目標嘅 agent 點樣達成全局最優決策，而唔係各自做局部最優。- 背景資訊提供嘅醫療系統案例——症狀評估、排期、保險、藥房四個 agent——清楚展示咗「交換數據」同「真正協調」之間嘅本質差距。- 中央調度方案雖然簡單直接，但喺可擴展性、專業深度同系統韌性方面有根本局限，多智能體架構更貼近現實世界嘅多方博弈邏輯。- 從「識諗」到「識傾」，係 AI 由單一智能走向集體智能嘅關鍵躍遷，亦係超級智能嘅「最後一哩」。
結語
超級智能嘅終極考驗，可能唔係一個模型有幾聰明，而係一群智能體點樣喺目標唔一致嘅情況下，仲可以達成有效合作。人類文明嘅偉大之處，從來都唔在於個體嘅智力，而在於集體協作嘅能力。如果 AI 要真正超越人類，佢需要征服嘅最後一座山，唔係推理能力嘅巔峰，而係合作機制嘅設計。
呢條路唔易行，但正正係因為難，先至值得行。