Discovering Adaptive Transmission Programs for Collective Innovation
本文介绍了一种通过大语言模型引导的演化搜索所设计的状态感知传输协议，该协议通过基于智能体和集体状态动态路由信息，显著增强了集体发现性能，其表现优于传统的基于网络的方法，并展示了强大的泛化能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类并非孤独的天才；我们是一个共同思考的物种。我们最伟大的成就——从我们使用的工具到我们建立的制度——并非源于单一的灵光一现，而是源于知识在代际间传递与重组后的缓慢、稳步积累。这种集体智能完全依赖于信息的流动方式：谁向谁分享什么，如何分享，以及何时分享。长期以来，研究这一现象的科学家们一直关注着人与人之间连接的形态，就像通过观察道路地图来理解交通流量一样。他们发现，拥有过多的连接会导致群体过快地停留在某个平庸的单一想法上，而连接过少则会让群体陷入孤立。然而，这种基于地图的视角存在一个盲点：它将每一位“旅行者”视为同等对待，而不论其所知为何或其目标何在。它无法察觉到一个人现在可能正需要某种特定的工具，或者将一次失败的尝试分享给拥有正确原料的人可能会节省大量时间。问题在于，我们能否设计出更好的分享系统，使之能够关注所分享内容的实际内容以及群体的当前状态。
一组研究人员试图通过将分享规则视为一套可以根据实时情况变化的灵活指令，而非固定的地图，来解决这个问题。他们创建了一个发现游戏的数字模拟，灵感来自一款流行的在线解谜游戏，玩家在其中通过组合水和火等基本元素来创造蒸汽或玻璃等新事物。在他们的版本中，一群被编程为像人类一样思考和学习的计算机智能体（agents）协作在一起，努力发现尽可能多的新组合。研究人员希望找到关于这些智能体应如何分享其发现的最佳规则集。他们没有通过人工设定这些规则，而是使用一种强大的人工智能来进化它们。AI 从一些简单的标准分享方式开始，经过数百代的演化，编写出了新的、更复杂的指令集。它在模拟中测试每套新规则，保留那些有助于群体发现更多新事物的规则，并丢弃那些无效的规则。
结果令人瞩目。人工智能发现的规则让群体发现的新组合数量显著高于以往研究中使用的任何标准方法。在模拟实验中，这些进化的规则比现有的最佳方法提升了高达 37% 的表现。研究人员随后测试了这种提升是来自于规则的复杂性，还是仅仅因为它们与众不同。他们创建了一个版本的最佳规则，保留了原有的“谁在何时与谁交谈”的模式，但移除了在决定分享前观察智能体实际已知信息的权限。当他们这样做时，性能优势完全消失了。这证明了秘密并不在于连接的网络本身，而在于新的规则是“状态感知”的。它们能够看到一个智能体已经拥有了什么、失败了哪些尝试，以及整个群体已经发现了什么，并据此路由信息。
这些智能规则学会了简单网络永远无法做到的事情。它们学会了仅将稀有的发现分享给那些尚未拥有这些发现的人，从而防止群体在重复劳动上浪费时间。它们学会了将失败的尝试发送给持有必要原料的智能体，实际上是在说：“你拥有这些零件，试试这个组合。”它们学会了在群体取得进展时优先分享近期的发现，但在群体停滞不前时放慢分享速度。或许最重要的一点是，它们学会了动态地组织群体：有时让子群体保持隔离以深入探索不同的路径，然后在合适的时机将它们聚集起来进行思想的交叉授粉。研究人员发现，这些规则并非针对特定设置的偶然巧合；无论群体规模如何变化、智能体的思维方式如何改变，或是游戏难度如何调整，这些规则的表现都同样出色。
这项工作表明，人类协作的未来可能不在于构建更好的社交网络，而在于设计更好的信息流转协议。该研究证明，我们可以利用人工智能来发现有效协调的隐藏逻辑，从而创建出能够适应瞬时需求而非遵循僵化剧本的系统。虽然这些发现源于计算机模拟，但它们指向了一个未来：AI 可以帮助设计人类团队、组织和科学界的底层架构。通过塑造我们分享知识的方式，我们或许能够释放出尚未触及的集体智能水平，将我们的共享知识转化为一个更强大的创新引擎。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。