想象一下你正在尝试解决一个非常棘手的谜题。你可以向一位超级聪明的向导寻求答案，或者你可以召集一整个由各领域专家组成的团队，让他们各司其职，通过辩论、互相检查工作并结合彼此的想法来共同解决问题。在计算机科学领域，这种“朋友团队”被称为多智能体协作（multi-agent collaboration）。而那位“超级聪明的向导”则是大语言模型（LLM）——一种阅读了几乎整个互联网内容的 AI，它能够像人类一样进行写作、聊天和推理。长期以来，研究人员一直在测试这些单体 AI“天才”是否能够处理复杂的任务，比如诊断疾病或回答医学问题。但最近，科学家们开始好奇：如果我们让 AI 以团队的形式工作会发生什么呢？与其使用一个大脑，不如给计算机一个数字智能体委员会，让他们互相交流、争论并对最佳答案进行投票。这一点至定重要，因为医学领域充满了高风险的决策，一个微小的错误都可能导致危险。如果 AI 团队能比单个 AI 更准确、更可靠，这可能会改变医生利用技术辅助患者的方式。
这篇论文就像是一份针对近期所有尝试在医学领域应用这些 AI 团队实验的“大规模成绩单”。作者们是一群来自中国、美国及其他地区大学的研究人员，他们搜寻了数千项研究，以观察哪些方法真正奏效、哪些在失败，以及成本究竟是多少。他们发现，该领域的研究正呈现爆发式增长，尤其是来自中国和美国的论文，两者合计贡献了超过三分之二的研究成果。当他们专门针对医学问题（例如医生执业资格考试中的问题）进行观察时，结果非常明确：团队协作模式通常是胜出的。在他们对 30 场不同对比实验的分析中，多智能体系统获得正确答案的频率明显高于单体 AI。这就像是 AI 委员会捕捉到了那个孤独的天才所遗漏的错误。
然而，论文也指出了一些严重的“作业漏洞”。虽然 AI 团队正变得越来越聪明，但科学家报告实验的方式往往很混乱。想象一下，一位厨师告诉你食谱很好吃，却拒绝告诉你食材是什么，或者烹饪了多久。许多这类研究看起来就像那样：它们很少分享精确的“提示词”（即给 AI 的指令）或具体的测试条件。如果没有这些信息，很难判断其结果是否值得信赖或是否可以重复。作者还发现，使用这些 AI 团队的成本并非一个简单的故事。有时，由于准确率大幅提升，拥有一个团队在获得正确答案的成本上反而更便宜；但在其他情况下，团队成员之间进行交流所需的额外计算能力，使得其成本比仅使用一个 AI 时更高。这完全取决于团队是如何构建的。
论文总结道，虽然多智能体协作是提高医学准确性的一项展现出巨大潜力的强大工具，但我们还没有准备好让这些 AI 团队来管理医院。目前的证据主要来自计算机模拟和标准化测试，而非真实的临床护理。作者建议，在我们能够完全信任这些系统之前，研究人员需要对其运作方式更加透明，需要在多样化的现实环境中对其进行测试，并找到平衡成本与收益的最佳方法。这是医学 AI 领域一个令人兴奋的新篇章，但它仍处于“概念验证”阶段，在成为医疗保健的标准组成部分之前，还需要更严谨的测试。
经济效益： 成本效益取决于架构。在一项研究（Yahya Shaikh 等）中，多智能体系统实现了更高的准确率（94.67% vs 78.00%），且每百分点准确率的成本更低（$0.23 vs $0.34）。相反，在另一项研究（Xinti Sun 等）中，尽管多智能体系统获得了更高的准确率增益，但其成本效益较低（$0.28 vs 0.04–0.11）。
重要性与主张
本文声称，多智能体协作代表了医疗 AI 的重大进步，与单体 LLM 相比，在标准化医学问答任务中提供了统计学上更优越的性能。作者认为，该领域已经成熟到足以进行系统性综述，但在临床转化方面仍处于早期探索阶段。