集成智能背后的科学

群体胜过个体并不是新想法。它是决策科学里最老的发现之一。新的是：这个结论同样适用于 AI 模型，而且让它成立的关键成分仍然是同一个词：多样性。

群体智慧

2004 年，James Surowiecki 出版 The Wisdom of Crowds，总结了集体判断有效的三个条件：意见多样、判断独立、决策去中心化。当这些条件成立时，群体往往能超过单个专家，甚至超过群体里最好的那个专家。

这个结论在预测市场、群体估计任务、集体决策研究中反复出现。数学很直接：对多样且独立的估计取平均，会抵消个体误差。误差越不相关，抵消越明显。这个想法早于 AI，也早于现代计算机，本质上是统计问题。

真正关键的是“不相关”。如果群体里的每个人都共享同一种偏差，群体智慧就会失败。如果所有估计都往同一方向偏，平均之后只会得到一个更自信的错误答案。独立性和多样性不是集成智能的装饰，而是机制本身。

这对 AI 很重要，因为“多个模型有没有帮助”不是正确问题。正确问题是：“在什么条件下它们会有帮助，又在什么条件下会让结果更糟？”

硅基群体智慧

2024 年一项名为 “The Wisdom of the Silicon Crowd” 的研究测试了 Surowiecki 的条件是否适用于 LLM。研究者把多个 LLM 的确定性回答用中位数聚合，发现集体结果超过了 67% 的单个模型猜测。加入相关上下文后，这个比例升到 75%。

最关键的发现是：模型多样性比模型质量更重要。一组多样化的中等模型，能超过一个优秀的单模型。这正好对应 Surowiecki 的条件。

2025 年的内容分类研究把差距量化得更具体。最佳单模型 F1 是 0.55。两个模型组成的集成达到 0.73，只增加一个模型就提升 33%。5 到 10 个模型的集成能达到 0.80 到 0.90。收益会递减，但加入两三个多样模型的早期收益很大。

这些 F1 数字要谨慎看：它们来自行业和预印本的内容分类研究，不是同行评审期刊论文。方向性结论，也就是集成持续超过单个模型，是稳固的；具体数字更适合作为模式说明，而不是最终基准。

医学 QA 研究也显示同样结果。LLM 集成在 MedMCQA 医学入学考试数据集上使用加权投票和动态模型选择，比最佳单模型提升 5.98%。在医学里，85% 和 91% 准确率之间的差距，可能就是正确诊断和漏诊之间的差距。

为什么跨系列多样性最重要

同系列集成确实比单个模型好，这一点数据很清楚。但它会撞到一个上限，而跨系列集成更有机会突破它。

多 AI 论里提到的回音室研究解释了原因。2025 年一项多智能体辩论研究发现，当智能体共享同一个模型和训练数据时，辩论会“放大对错误答案的信心，而不是纠正它”。研究者称之为“信念固化”。另一项研究指出两个根因：共享训练数据带来的带偏差的静态初始信念，以及会无视正确性而放大多数观点的同质化辩论动态。

这里我的论证从已有证据转向推断，所以要说清楚。回音室研究证明同系列集成会共享盲点。跨系列多样性能降低这个问题，是一个逻辑延伸：不同训练语料应该产生不同系统性错误，不同架构应该产生不同处理策略。但它还没有被直接对比实验测量。我认为这个推断很强，但它仍然是推断。

2025 年研究中的信息论视角也支持这个思路：不要总是选最高分模型。最佳集成选择取决于互补性，而不是单个模型表现。两个会犯不同错误的模型，放在一起可能比两个单独更强、但犯同样错误的模型更有价值。

Blueprint2Code (2025) 构建了四智能体代码生成流水线（预览、蓝图、编码、调试），在 HumanEval 上达到 96.3% pass@1。单模型直接生成是 84.7%。去掉任意一个智能体，表现下降 14.8 到 28.9%。调试智能体最关键：没有它，准确率从 93.5% 掉到 64.6%。即使是同系列多智能体流水线，也显著优于单智能体系统。

Anthropic 自己的多智能体研究系统使用 Opus 4 作为主导、Sonnet 4 作为子智能体（同一家族，值得注意），比单智能体 Opus 4 高 90.2%。token 使用量解释了 80% 的性能差异。同系列多智能体已经大幅胜过单智能体。我的论点是跨系列应该还能更好，因为它去掉了同系列系统保留的共享盲点。

Model Swarms 与弱模型的价值

Model Swarms 发表在 ICML 2025 的 PMLR 论文集中。它把粒子群优化应用到 LLM 专家上，发现了一个挑战“选最强模型”直觉的结果。

56.9% 的最佳最终模型来自初始池的后半段。不是表现最好的模型，而是看起来较弱的模型。它们有一些潜在能力，单独做基准测试时看不出来，只有通过协作优化才浮现。人工评审有 70.8% 的时间更偏好群体输出，而不是个人专家输出。

你不需要总是挑“最好”的模型。你需要挑最互补的组合。一个单独看表现平平的模型，可能正好提供能捕捉顶级模型系统性漏掉错误的视角。

这和我用 Dev Buddy 的实践很像。MiniMax、Qwen 这些我不会当主力工具的模型，有时会抓到 Claude 和 GPT 都漏掉的问题。它们在通用基准上的“弱”，在审查场景里会变成优势，因为不同训练产生了不同失败模式。

人类与 AI 的混合集体

PNAS 关于人类与 AI 混合集体的研究发现，医生与多个 LLM 协作时，在鉴别诊断上超过了全人类小组、全 AI 小组和个人专家。

这不是用多个 AI 替代人类。它是在构建正确的集体：多样模型加上人类判断。人类提供上下文知识和伦理判断，模型提供广泛的模式识别和一致性。组合起来，比任何一方单独工作都更好。

最佳配置不是“更多模型”或“更强模型”，而是针对问题选择正确的多样视角组合，包括人类和 AI。Surowiecki 的条件依然成立。违反这些条件，比如只用同一家族模型，或者让一个模型的输出支配其它模型，就会得到信念固化，而不是群体智慧。

集成科学给出的结论

研究指向一个稳定结论：多样且独立的视角，比单个专家更能产生好结果，机制是错误去相关。这个规律适用于人类群体、AI 模型集成，也适用于人类与 AI 混合集体。

跨系列多 AI 通过组合训练数据和架构差异最大的模型，让多样性最大化。研究已经说明集成超过个人，也说明多样性是它有效的原因。至于跨系列多样性是否超过同系列多样性，这仍是推断，还不是直接测量结果。但它直接来自已知机制。

这个机制在真实行业、真实风险下是否成立，是 第 3 章 要看的问题。