原标题：现代AI之父团队迎新成果：用图结构构建智能体，助力研发AI智能体

“2021 年上半年，我铤而走险决定放弃阿里的算法工程师 offer，全力申请 PhD。

幸运的是，这条路最终引领我至 Jürgen Schmidhuber 教授门下，他的谷歌学术引用超过 23 万次，被西方媒体誉为‘现代人工智能之父’，中文媒体则尊称他为‘LSTM 之父’。”诸葛鸣晨表示，他对于继续选择科研的路非常坚定。

图 | 诸葛鸣晨（来源：诸葛鸣晨）

他本科和硕士分别毕业于中国石油大学（华东）和中国地质大学（武汉）的计算机学院。

读研期间，他遇到了时任阿联酋起源研究院研究员的范登平博士、以及时任阿里巴巴高级算法专家高德宏博士，在他们的鼓励之下，他开始逐渐喜欢上科研。

并在硕士阶段以第一作者在顶会 CVPR（IEEE 国际计算机视觉与模式识别会议，IEEE Conference on Computer Vision and Pattern Recognition） 和 TPAMI（模式分析与机器智能 IEEE 汇刊，IEEE Transactions on Pattern Analysis and Machine Intelligence） 发表论文。

就读博士前，诸葛鸣晨分别在阿里巴巴、阿联酋起源人工智能研究院和微软实习。在这三段实习经历里，他主要围绕多模态预训练和大语言模型开展工作。

他目前的博士导师尤尔根·施密德胡伯（Jürgen Schmidhuber）目前在沙特阿卜杜拉国王科技大学（KAUST，King Abdullah University of Science & Technology）AI 中心担任教授。

Jürgen Schmidhuber 在神经网络、元学习、以及强化学习方面的工作，对当前 AI 领域的发展产生了深远影响。

值得一提的是，在 DeepMind 的早期头四号员工中，就有两位出自 Jürgen Schmidhuber 的实验室。

诸葛鸣晨说：“他是一名典型的德国学者，对任何事情非常严谨并且精益求精，能成为他的学生，不仅让我对 PhD 有了更深的理解和敬畏，也让我对未来充满了期待。”

2021 年末，从申请来到 KAUST 读博开始，诸葛鸣晨就将自己的课题定位“多模态智能体（Multimodal Intelligent Agent）”。

进入博士一年级之后，随着 ChatGPT 的问世他发现智能体的推理和规划变得更加容易，那么基于大语言模型的智能体很有可能将成为主流。

因此，从 2023 年 1 月份开始，他所在的 KAUST AI 中心联合瑞士人工智能实验室、英国牛津大学、美国哈佛大学、瑞士苏黎世联邦理工学院等高校团队，发布了名为《基于自然语言的心智社会中的心智风暴》（NLSOM，Mindstorms in Natural Language-based Societies of Mind，）论文。

（来源：arXiv）

在论文中，诸葛鸣晨和所在团队提出一个观点：所有形式的多模态智能体都能够利用一种通用语言（例如自然语言）——以模块化的方式进行头脑风暴，进而完成单一智能体无法完成的任务。

此外，他指出：“20 世纪，符号主义与神经网络学派之间的对立曾是众人津津乐道的话题。然而，现今我们终于看到了不同流派之间达成和解的希望。”

他继续指出，当下大型语言模型（LLM，Large Language Model）与智能体之间的互补关系实际呼应了神经网络早期先驱之一沃尔特·皮茨（Walter Pitts）的见解：“一伙人企图模拟神经系统，而另一伙人企图模拟心智，但殊途同归”。

另据悉，这篇论文的初始版本获得了 NeurIPS Ro-FoMo 研讨会的最佳论文奖。此外，诸葛鸣晨以及团队与一家国内公司 DeepWisdom 合作推出了 MetaGPT。

与此同时在这篇论文中，他们详细讨论了多智能体系统中实施标准操作流程（SOP，Standard Operating Procedures）的重要性：即多智能体协作时，改善通信时内容和格式是非常重要的。

在实验里他们发现 SOP 对于软件设计、编程题解答这一类具备严格逻辑的任务消除幻觉非常有帮助。

后来这个项目在 GitHub 上获得超过 34k 的星标，基于上述论文诸葛鸣晨等人也即将在人工智能顶级会议 ICLR2024 上进行口头报告（ICLR 的全称是 International Conference on Learning Representations，即国际表征学习大会）。

值得一提的是，在 ICLR2024 的 7262 篇投稿论文中，这篇论文的排名位于前 1.2%，是智能体领域的一篇高分论文。

他提到：“在短暂的狂欢之后，智能体领域的工作慢慢趋向于做纯工程问题。在早期，我们看到斯坦福的西部小镇论文（Generative Agents），它非常惊艳并且把一些逻辑梳理的很清楚。

同期也出现了 AutoGPT 这样的工作，让人们看到了智能体解决实际问题的巨大潜力。后来也出现了如 MetaGPT、AutoGen、ChatDev 等工作，它们共同推动了多智能体的进一步发展。但最近半年，在目前的智能体领域内，新发布的论文普遍缺乏创新性。”

一个具体的例子便是，研究者往往不再深入探讨智能体在学术上真正有潜力的方向，而是转向探索不同的应用。

大家实际上还是在围绕 OpenAI 的研究人员所提倡的“Agent = LLM + Memory + Planning + Tool Use……”这一套公式进行扩展。

尽管在技术上这是正确的探索方向。但是，这种趋势在某种程度上限制了我们的科研想象力。如果不及时反思这一问题，智能体领域的学术研究有可能变成工程问题的研究。

事实上，智能体、及其构建的概念，已经被学术界讨论了许多年。图灵奖得主马文·闵斯基（Marvin Lee Minsky）在 1986 年出版的《心智社会》中曾提出：智能的背后没有什么秘诀，智能的力量来自于我们的多样性，而非来自于任何单一的完美原则。

在马文·闵斯基的《心智社会》一书中，他强调智能是由多样化的模块化组件协作构建而成的。

（来源：资料图）

通过阅读《心智社会》这本书，以及基于诸葛鸣晨和团队的积累（参见《基于自然语言的心智社会中的心智风暴》一文），他和同事认为利用图来表示智能、智能体、以及智能体社会，是一种极其有效的方法。

这一方法的优点也是显而易见的。2023 年，在智能体的学术领域中，人们已经开始探索如何更好地优化智能体及其社会结构。

比如，许多研究尝试通过强化学习和优化算法来达成这一目的，但是尚未取得显著进展。

诸葛鸣晨表示：“智能体研究领域的工作引入图的思考，可以有效解决这一难题，它能够统一图理论、优化算法、强化学习以及提示技术的研究，从而能够开辟一个新的研究方向。”

此外，正如人类社会可以通过图来表示一样（社交媒体就是一个典型的例子），在智能体领域引入图表示法的优势也是非常直观的。

而凭借强大的推理性能，大语言模型常被用作智能体的“后端”。正如前文所述，2023 年，人们普遍遵循的构建智能体准则是“Agent = LLM + Memory + Planning + Tool Use”。

而现在，诸葛鸣晨和所在团队提出一种构建智能体的新型理解方式—— GPTSwarm。即通过以下对应关系，来重新定义智能体的构建：

1. 操作（Operation）↔节点（Node）

2. 智能体（Agent）↔由多节点构成的图（Graph of Nodes）

3. 蜂群（Swarm）↔复合图（Composite of Graphs）

有了这套定义方法，就能将所关注的问题转化为“图”的优化问题，包括：

a. 合作与通信（Collaboration and Communication）↔图之间的信息流动（Information Flow between Graphs）

b. 编排（Orchestration）↔复合图中的边缘连接（Edge Connections in the Composite Graph）

c. 优化（Optimization）↔节点或边缘的优化（Optimization of Nodes or Edges）

（来源：arXiv）

作为一种新型理解方式，GPTSwarm 通过将智能体构建的概念，映射到操作、智能体、蜂群（多智能体）与节点、节点图、复合图的对应关系中，从而能够重新定义智能体的架构。

这种方式也非常符合“心智社会”（SOM，Society of Mind）理念。对于 GPTSwarm 来说，它要探索的是如何从简单模块化组件中，涌现出更高级别的智能。

这种方法解决了组件集成的核心问题，并通过优化代理的通信机制和协作机制，实现了代理之间的自我改进和任务效率的显著提升。

随着系统规模的扩大，这种集成和优化也将变得尤为重要，从而能为构建复杂智能体系、以及实现心智社会理想提供一条创新路径。

可以说，通过“图结构”来构建智能体的好处，在 GPTSwarm 框架中得到了充分体现，并能在以下几个应用领域展现出独特优势：

其一，可用于动态任务适应系统。

GPTSwarm 利用可优化的图结构，可以根据任务需求进行动态调整，因此非常适合快速变化的学术环境和工业环境。

其二，可用于代理编排与路由。

利用 OpenAI 的 GPT Mention 机制，GPTSwarm 展示了基于图的智能体构建的优势，使得代理之间的边连接优化成为可能，并能为特定任务提供精确的路由。

其三，可用于大规模的代理协作。

凭借出色的灵活性、以及易于表示的特点，图结构能够优化数百万千万级别的智能体协作、以及优化智能体之间的互动，从而为有效处理复杂任务打下基础。

基于这些应用领域的探索显示：使用图结构来构建智能体，不仅能提高系统的灵活性和动态性，还能提升智能体之间的协作效率和任务处理能力，从而能为智能系统的发展提供了新视角和新方法。

日前，相关论文以《智能体即可优化的图》（Language Agents as Optimizable Graphs）为题发在 arXiv。

诸葛鸣晨是第一作者，尤尔根·施密杜伯（Jürgen Schmidhuber）担任通讯作者。

图 | 相关论文（来源：arXiv）

另据悉，诸葛鸣晨的导师 Jürgen Schmidhuber 教授曾在此前一篇论文中提到：要把当前的框架扩展到强化学习，探索如何在 NLSOM 成员中分配奖励，进而利用神经经济学的概念来设计奖励传递。

进一步地，Jürgen Schmidhuber 引入了一种将 NLSOM 成员视为进行货币交易的“智能体经济体系”（EOM，Economy of Mind），探讨了如何通过货币编码奖励、以及在 EOM 内部成员之间进行服务交易的可能性。

而这将涉及到使用共享货币，在成员之间分配服务奖励。未来，假如能将这些经济体系整合进入现实世界经济，将为研究经济规律和社会科学开辟新的研究方向。

（来源：资料图）

总的来说，GPTSwarm 为智能体铺好了一条道路。诸葛鸣晨表示：“未来，智能体一定会遍布于全社会。因此，我们会尝试通过扩大智能体规模，从而引入更好的优化算法，以便在更多的应用上发挥 GPTSwarm 的价值。

我和同样来自 KAUST AI 中心同事的王文一、Dmitrii Khizbullin 等人会继续尽绵薄之力推动这一领域的发展。

并且，我认为 2024 年所有多智能体的工作都值得用 Graph（图）来重新塑造一遍。它带来的潜力和价值是非常直观的，非常期待 AutoGen、CAMEL、ChatDev、DsPy, LangGraph、MetaGPT 等一系列优秀的开源框架能共同推动这一思考。”

参考资料：

https://gptswarm.org

https://arxiv.org/abs/2402.16823

https://github.com/metauto-ai/gptswarm

https://arxiv.org/abs/2305.17066

https://arxiv.org/abs/2308.00352

运营/排版：何晨龙