达特茅斯的神谕：机器社会

七十一年前的今天，1955年8月31日，约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农在达特茅斯学院提议开展一个为期两个月的夏季人工智能研究项目。他们向洛克菲勒基金会申请了13,500美元，以召集十位研究者。这次集会实际上是在次年夏天举行的，因此2026年将是这场将人工智能确立为一个领域的集会的七十周年纪念。

该提案围绕一个非凡的猜想展开：学习与智能可以被精确描述到足以让机器复现的程度。作者们将问题划分为自动计算、语言、神经网络、计算复杂性、自我改进、抽象以及创造力中的随机性。几乎整个现代人工智能议程在第二页就已初现端倪。

值得注意的是，若以当前人工智能的发展方向来审视，这份报告更显意味深长。

提案

达特茅斯文件通常被铭记为构建智能机器探索的开端。但实际上，它勾勒了一个更为宏大的蓝图——一种架构，其中智能通过模型、语言、环境、实验和社区之间的相互作用而涌现。

香农提议开发一系列数学上明确界定的环境，以及能够适应这些环境的机器。明斯基设想了一台机器，它构建自身环境的内部模型，在该模型内探索可能的行动，然后进行外部实验。麦卡锡关注于能够进行推测、自我参照以及对物理对象和事件进行推理的语言。罗切斯特则思考了许多研究者如何并行搜索，而不重复彼此的工作，或不需要极其详细的沟通。

如今的模型能够使用语言、编写代码、解读图像、操作抽象概念，并解决许多曾专属于人类的问题。然而，最具深远影响的转变是结构性的，即模型正成为一个更大系统的一部分，该系统还包含工具、记忆、模拟、实验、评论者、其他代理以及持久化的产物。科学智能可以存在于许多地方，包括整个循环的组织之中。

智能沿三个轴扩展

在人工智能近代历史的大部分时间里，扩展意味着通过更多数据、更大架构、更长上下文以及更强的推理时计算来提升单个模型的能力。这一轴仍然重要，但已不再是唯一的方向。如今，智能正沿三个部分独立且相互强化的维度扩展：

这些维度不应被压缩成一条单一的对角箭头，因为更强的模型并不自动产生更好的科学社群。增加智能体既可能放大相关错误，也可能提升智能。一个系统也可以在不改变其神经权重的情况下大幅增强能力——通过获得模拟器、批评者、更丰富的记忆、新的实验接口，或更优的智能体组织方式。

这也将扩展问题转化为一个资源分配问题。下一单位计算可以投入更大的模型、更多的推理时思考、更好的工具，或更大且组织更优的智能体群体。这些资源在一定程度上可以相互替代：在某些情境下，一群较小的模型可以胜过单个更强的孤立模型。因此，相关问题不再仅仅是模型应该变得多大，而是智能应如何在系统中分布。

人类智能的扩展方式也大致相同。我们的生物硬件并未在现代科学涌现的时间尺度上发生转变。发生转变的是语言、书写、仪器、档案、教育、实验室、机构以及交流网络。智能通过外部组织得以扩展。而人工智能如今正步入这一转型阶段，但它正在设计自己的操作系统。推理者催生新算法，新算法又催生新的推理系统，如此循环往复——开启了一个快速的自我改进循环。

从智能体到科学共同体

我们自己的工作也遵循了这一演进路径。ProtAgents 和 AtomAgents 将生成模型与物理分析相连接。MechAgents 将科学问题转化为可执行的计算。SciAgents 围绕知识图谱和科学工具组织起专门化的模型。以图为核心的推理使机制、证据和假设之间的关系变得明确。Builder–Breaker 系统开始修正符号定律，寻找新的解释和优雅的基于机制的物理学。ScienceClaw x Infinite 则朝着去中心化的科学机构迈进，在这种机构中，智能体通过工件、开放需求、失败记录、溯源和共享的科学记录进行协调——将物理硬件、数据与计算整合进一个自我演化的发现循环中（对于开放性问题，这一循环永无止境）。

这一演进也改变了计算扩展的含义；例如，在 Graph-PRefLexOR 中，额外的测试时计算极大地提升了有界语义空间内的长程概念重组能力。系统在概念之间构建出更长、更可追踪的关系路径，从而产生更强的假设，使智能体能够在看似遥远的概念之间进行推理，发现新的桥梁、连接和通路。

而SwarmWorld则进一步推进了这一理念；我们将从几只到数百只初始同质的人工智能体置于一个持久且物质受限的环境中。它们没有被分配社会角色，没有预设技术，也没有发明目录。它们局部探索、处理资源、测试材料、构建人工制品，并编写可执行的控制器。它们的描述和计划只是提案；一个确定性的模拟器决定了实际能建造什么以及其功能。

智能体通过经验分化；一些发展出移动和探索行为。另一些则专注于人工制品、建造、控制和技术工作。这种分工源于轨迹本身，而非事先提供的角色标签。

更引人注目的是，在移除显性文化后，协调依然存在：直接消息传递、教学、贸易以及跨智能体的程序继承。智能体仍能遇到环境中他人所做的改变。一台机器、资源流、修复的结构或改造过的场地，都成为后来者可得的信息。生物学对此有一个术语：stigmergy，即皮埃尔-保罗·格拉塞所定义的通过共享环境中留下的痕迹进行协调的机制——白蚁群无需蓝图或监工便能建造巢穴正是依靠这一机制。

世界本身即可成为通信渠道

约95%的首次技术采纳始于物理观察。智能体更多是通过共享世界遭遇技术，而非直接从发明者手中接手——即便在可直接通信的社会中也是如此。可执行程序发展出可辨识的谱系，因为智能体复用、编辑、安装并传播他人创建的控制器。

这里存在一个有趣的逆转。达特茅斯会议曾问如何让机器使用语言（大概是从我们的语言出发）。七十年后，我们或许需要问：当机器社会不再需要我们的语言时，会发生什么？智能体可以通过消息、代码、持久化工件、环境变化，甚至直接通过潜在表征进行通信。因此，下一种机器语言可能并非人类设计的语言——甚至可能不是人类轻易能读懂的语言。

在最后一个实验中，我们移除了所有智能体。最终的技术状态被冻结、复制，并暴露于未见过的干旱序列、污染前沿和风暴中。没有调用任何模型，也没有智能体采取任何行动。物理过程和已安装的程序继续运行。技术基础设施在其创造者消失后依然存续。

这些实验也为我们提供了关于智能体扩展的更严谨视角。更多智能体和更多通信并未改善所有结果。共享社会在维持广泛、互补且富有韧性的技术组合方面最为强大。孤立搜索仍能产生最强的单一工件。显性文化仅在足够长的时间跨度后对某些能力有所帮助，且并未在所有指标上占据主导。

我们发现，社会的强大源于积累多样化的能力、保留备选方案并在扰动中存活，而非仅仅产出某个孤立的最优答案。组织本身也可以成为被学习的一部分。在日益去中心化的系统中，我们可能无法预先知道某个问题需要哪些工具、技能甚至智能体。系统可以发现某项能力缺失，创造或获取新技能，招募另一个智能体，并围绕问题重新组织工作流。此时，智能不再仅仅是解决问题，而是在重新设计解决问题的组织。

从搜索到自我修正的发现

一个智能体社会仍可能被困在继承而来的科学词汇中。它可能搜索得更快、测试更多候选方案、产生更复杂的组合，却让问题的结构保持不变。但科学发现往往需要不同的操作。证据可能迫使引入新的变量、关系、工具、验证器或工件类型。系统搜索的空间本身必须改变。

另一种表述方式是：发现系统必须学习通往答案的过程，而非记住答案本身。它可能需要生成自己的训练数据、运行模拟、收集新证据、构建新表征，并在解决问题的过程中改变推理路径。在科学中，答案往往恰恰是训练分布中缺失的东西。

在我们关于自我修正发现系统的工作中，我们区分了三种操作。检索引入一个已经可表征的工件。搜索在现有模式中发现新的路径或组合。发现则改变科学对象与操作得以定义的体制。

Builder–Breaker将这一区分转化为可执行的过程。Builder提出一个紧凑的符号世界模型。Breaker则挑选新证据，旨在暴露其最薄弱的假设。只有当修订后的模型能够充分解释扩充后的证据集，以证明其额外复杂性合理时，门控机制才会接受它。生产性失败由此成为科学结构。

这一架构还指向一个更深层的设计原则：表征、行动与后果应保持分离。Builder可以提出或修订世界模型，但不应控制用于验证模型的证据。Breaker可以寻找反证，但不应能静默重写其正在测试的模型。将世界模型外部化，并将生成器与评估器分离，使得奖励黑客行为更难发生，也为失败提供了真实发生的空间。从这个意义上说，Builder–Breaker与SwarmWorld在不同尺度上实现了同一原则：认知提出假设；外部世界决定后果。

达特茅斯会议将目标称为自我改进，但今天我会将更强的目标定义为证据治理的自我修订：当累积证据使旧体系变得过于狭窄时，能够改变变量、关系、工具、验证器和问题生成器的能力。

这是扩展的第三个维度——最强形式的适应性。模型能力扩展了个体推理者能做什么。集体组织扩展了群体能共同做什么。自我修订则扩展了系统首先能构建的表征、工具和组织空间。

可执行世界

同样的逻辑解释了为何持久化与可执行的世界正成为人工智能的核心。一种方法是将认知与后果分离。智能体提出假设、架构、材料和程序。模拟、守恒定律、实验、制造流程和测量决定哪些能存续。智能体社会可以协商其策略；但它无法协商力平衡是否闭合、结构是否断裂，或材料是否如声称般表现。

持久化环境将行动与持久后果相连。它们为智能体提供了积累技术、遭遇他人工作、生成新证据，并检验其内部模型能否经受外部世界考验的场所。

这一转变的速度已令人瞩目。在最近的一项实验中，我们让一小群智能体承担物理设计任务。它们构建了模拟器，探索并优化设计，将工作流连接到3D打印机，制造出物体，最后向我的手表发送通知，告知打印完成。整个循环——从问题到可执行世界再到物理对象——耗时约90分钟。

令我着迷的是，人工智能创造了它能在其中推理对象的环境，在该环境中进行实验，然后将循环闭合到物质层面。明斯基曾设想机器先在内部环境模型中探索解决方案，再尝试外部实验。1955年的研究提案如今实际上正成为可执行的工程工作流。最终，机器能够发现原理——现实的深层不变量。

要将这一架构扩展，需要一套用于发现的“操作系统”：通过它，大批AI科学家能够设计、模拟、原型验证、批判与汇报，而人类研究者则负责定义问题、构建验证器、施加约束，并治理由此形成的机构。我们设想的工作图景是：数百个达到博士水平乃至更高的AI智能体同时运作，人类科学家则扮演科学总监与智能架构师的角色。

仅监控智能体之间显式消息的系统，可能会遗漏潜藏于工件、代码、基础设施及环境状态中的间接协调。临时智能体可以留下持续运转的操作系统；它们的推理调用虽已结束，但其影响却远未止步。

我们仍处于早期阶段，许多当前的智能体系统依然脆弱，尤其是在面对真实世界时。许多工作流程仍高度依赖预设。验证可能既昂贵又缓慢。即便在最理想的情况下，物理闭环也尚不完整。然而，架构的轮廓已经显现：模型嵌入智能体社群之中，通过可执行的世界运作，不断积累工件，检验自身主张，并在证据压力下自我重组。

在解决问题之上，还有一层更进一步的自主性。当机器不知道答案，因为还没有人提出问题时，会发生什么？开放式发现需要识别未解释的结构、寻找不变量、生成证据，并决定哪个未知值得成为科学问题。达特茅斯会议主要将智能框定在人类已经能够清晰表述的能力和问题上。新兴的前沿在于，机器系统能否帮助确定“下一个问题”应该是什么。

智能体互联网

达特茅斯会议的创始者们曾问，机器能否使用语言、形成概念、自我改进，并展现出原创性。明斯基最终部分回答了他自己的问题：三十年后，他认为心智是智能体的社会。现在，类似的反面正在显现：随着我们构建“智能体互联网”，智能体社会开始表现得像集成的心智。今天，这些问题正成为系统设计问题。智能的操作单元正在扩展：从模型到闭环，从单个智能体到社会，从存储文本到可执行工件，从固定表征到可修订的科学体系。

未来几年的问题是，机器社会能否构建世界、对其施压、保留幸存的部分，并在现实证明旧语法过于狭窄时，扩展自身的语法。

审视提案中的一些原始文本令人着迷。尽管我们在许多领域取得了显著进展，它们也提醒着我们现存的前沿和挑战。

七十年后，达特茅斯会议令人瞩目的一点在于，他们准确识别了正确的探索前沿：语言、抽象、创造力、自我改进，以及构建世界模型。