‏ایجنت‌های گروهی؛ سریع‌تر، ولی گرون‌تر

Toby Ord تو این مقاله سراغ سؤالی رفته که این روزها زیاد پرسیده می‌شه: swarm (یعنی یه دسته ایجنت AI که با هم روی یه مسئله کار می‌کنن) با بزرگ‌تر شدن چقدر قوی‌تر می‌شه؟ بهانه‌اش دو نمونهٔ اخیر OpenAI هست و معروف‌ترینش یه دستهٔ 10 هزارتایی که تو 88 ساعت نسخه‌ای از مسئلهٔ Navier-Stokes رو حل کرد، با 5 میلیون پیام رد و بدل شده و 300 میلیارد توکن. هزینه‌اش رو حدود 20 میلیون دلار تخمین زدن.

نویسنده از نمودارهای صفحهٔ معرفی GPT 5.6 Sol داده‌ها رو بیرون کشیده. نتیجه اینه که دستهٔ 4 تایی برای رسیدن به همون کیفیت، حدود دو برابر کل توکن دستهٔ تک‌ایجنتی خرج می‌کنه و دستهٔ 16 تایی دوباره دو برابر اون. پس اضافه کردن ایجنت مجانی نیست و هر بار بخشی از توکن‌ها هدر می‌ره.

برای اینکه این هدررفت رو دقیق بگه، سراغ پارامتر آشنای اقتصاددان‌ها رفته: N نفر که با هم کار می‌کنن، به اندازهٔ یه نفر تو N به توان لامبدا زمان کار جلو می‌رن. لامبدای 1 یعنی موازی‌سازی کامل و بدون اتلاف. Ord روی سه بنچمارک این عدد رو 0.68 برای BrowseComp، 0.57 برای SEC-Bench Pro و 0.48 برای Terminal-Bench درآورده. یعنی 16 برابر کردن اندازهٔ swarm فقط به اندازهٔ حدود 4.9 برابر کردن طول استدلال می‌ارزه.

پس چرا اصلاً swarm؟ به گفتهٔ نویسنده جواب اصلی سرعته. دستهٔ 4 تایی دو برابر کل توکن می‌خواد، ولی چون هر ایجنت نصف توکن‌ها رو موازی مصرف می‌کنه، کار تقریباً تو نصف زمان تموم می‌شه. Noam Brown از OpenAI هم تو پادکست Dwarkesh همینو گفته و اضافه کرده که کمتر از 10 درصد اعتبار حل Navier-Stokes به چندایجنتی برمی‌گرده و بقیه‌اش به قدرت خود مدل.

یه نتیجهٔ دیگه هم داره. لامبدا تو مدل‌های خودبهبودی بازگشتی یا RSI (یعنی وقتی AI خودش نسخهٔ بهتر خودشو می‌سازه) یکی از پارامترهای کلیدیه و هرچی بالاتر باشه، احتمال انفجار هوش بیشتر می‌شه. مدل AI Futures پیش‌فرض 0.5 می‌گیره و تخمین میانهٔ Davidson و Houlden برابر 0.6 بوده. Ord می‌گه امیدوار بود عدد واقعی پایین‌تر دربیاد، ولی اعداد اندازه‌گیری‌شده دقیقاً همون‌جایی هستن که انتظار می‌رفت.

نکات کلیدی:

• swarm ده‌هزار ایجنتی OpenAI تو 88 ساعت کار کرد و هزینه‌اش حدود 20 میلیون دلار تخمین زده شده.
• لامبدا روی سه بنچمارک: 0.68 برای BrowseComp، 0.57 برای SEC-Bench Pro و 0.48 برای Terminal-Bench.
• 10 برابر کردن تعداد ایجنت‌ها فقط 3 تا 5 برابر سود می‌ده، نه 10 برابر.
• N برابر شدن اندازهٔ swarm تئوری سرعت رو N به توان لامبدا برابر می‌کنه ولی N به توان (1 منهای لامبدا) برابر محاسبات مصرف می‌کنه.
• به گفتهٔ Noam Brown، کمتر از 10 درصد موفقیت Navier-Stokes به چندایجنتی مربوطه.