1776年，亚当·斯密在《国富论》里写下了那个著名的“制针厂”案例。 10个工人，如果各自从头到尾…
1776年，亚当·斯密在《国富论》里写下了那个著名的“制针厂”案例。
10个工人，如果各自从头到尾完成所有工序，一个人一天可能连20枚针都做不出来；但当制针被拆成不同环节，每个人只负责其中一道工序，10个人一天可以生产约4.8万枚针。真正被放大的，并不是某一个人的能力，而是分工、协作与组织本身。
250年后，AI行业正在重新遇到这个古老的生产力问题。
越来越多Agent开始拥有独立的感知、推理与执行能力。单个智能体的能力终究存在边界，那么，更高阶的智能是否可能诞生于多个智能体之间的协作？
这也是Collective AGI，通用群体人工智能所指向的一种可能——AGI未必只以一个无所不能的“超级个体”出现，它也可能来自一群不同能力的智能体，通过分工、协作与持续交互，形成超越单体能力的新的智能。
智能开始从单体走向群体，决定能力上限的，也就不再只有模型本身，智能体之间如何被组织，正在成为新的变量。Scaling的对象，正在从Model走向Organization。
8月20日，36氪与沌序科技在2026世界机器人大会（WRC）期间，联合举办了一场CONFLUENCE 群智会。60余位科学家、创业者、产业实践者聚在一起，通过多场独立演讲、深度圆桌，共同讨论一个AI时代越来越现实的问题：当250年前的“分工”对象，从人变成了人与Agent，我们需要怎样一种新的组织方式，来推动智能的涌现？
整场活动，从一个小游戏开始。
现场嘉宾们被分成六组，从同一个核心短语——“智能的下一站”——出发。每个人依次写下3个新的节点，再用箭头完成两组节点之间的连接。
没有人提前知道最终答案，也没有一个人负责设计整张网络。但随着每个人不断贡献自己的局部判断，一张完整的网络逐渐生长出来。
有人写下“智能的下一站是集成算力，不是单体努力”，有人认为“智能的下一站涌现更多机会，是人与世界、数字员工和碳基员工共同的未来”。所有人看到的都只是局部，但局部不断连接之后，却形成了任何单一个体都没有预先设计过的整体。
这场简单的小游戏抛出了群体智能最核心的问题：当个体开始连接，整体会不会产生个体本身并不拥有的新能力？而这也正是复杂系统认知与决策国家级重点实验室副主任、沌序科技创始人&董事长蒲志强在活动的开场演讲中，试图回答的问题。
过去几年，人工智能很大程度上沿着一条清晰的路线前进：模型越来越大，能力越来越强。
从GPT-2到GPT-5，Scaling不断推动智能个体能力跃迁。但蒲志强认为，这条路线也开始显现出越来越明显的现实约束：成本昂贵、应用场景受限，以及随着规模继续增长而出现的边际收益递减。
是不是只有更大的模型，才能产生更强的智能？蒲志强把答案指向了自然界。
一只蚂蚁的能力极其有限，但一群蚂蚁却可以根据局部信息搭桥，甚至在路径长度与搭桥成本之间作出群体层面的“最优权衡”，而这一过程没有“指挥官”；鸟群、雁群、鱼群和狼群，也都能够依靠个体之间的局部交互和简单规则，在群体层面形成复杂的协同行为。
它们共同展现了一种不同于“增强个体”的智能路径。个体可以很简单，但当个体以合适的方式连接起来，群体能够形成远超个体简单叠加的能力。
蒲志强将其概括为“群体智能”——一种在集体层面呈现出的、分散式、去中心化和自组织行为。智能的来源不一定只是一个越来越强大的“大脑”，也可能是一套能够让大量个体相互连接、协同并不断调整关系的机制。
这也就是为什么，蒲志强在整场演讲中反复提及一个词——Organization。
在他看来，大模型增强的是Individual Intelligence，而组织承载的则可能是Collective Intelligence。大模型内部，本身就是由大量神经元经过组织和连接产生能力涌现；而在群体智能的范式下，涌现开始有可能进一步发生在“模型之外”——发生在多个智能体组成的组织内部。
因此，两者并不是取代关系。恰恰相反，大模型负责制造越来越强的智能节点，而Organization开始负责组织这些节点。
蒲志强将其概括为，从Scaling Model走向Scaling Organization。
但Organization真正重要的地方，并不只是“让更多Agent一起工作”，它背后还有一个更深的问题——新的能力从哪里来？蒲志强把这个问题追溯到了复杂性科学中的“涌现”。
所谓涌现，描述的是一种从个体到群体、从局部到整体的过程：大量个体首先按照简单规则产生局部交互，随着交互不断增强，局部逐渐形成结构；当这种结构跨过某个临界点，整个系统就可能进入新的状态——实现一种全新的能力跃迁。
**围绕这个问题，沌序科技尝试建立一套跨学科的群体智能认知与技术框架。**现场，蒲志强介绍了沌序科技正在构建的受控群体人工智能（Controlled Collective AGI）技术架构。
在这一框架中，智能体之间的规模、交互、异构，以及宏微观映射成为群智涌现的重要因素。
蒲志强展示的一项实验中，一群机器人需要找到目标区域，但只有少部分个体掌握正确答案，而且机器人之间只能进行局部通信。实验发现，在特定条件下，较短的通信范围反而可能比更长的通信范围更有利于群体形成正确决策。
在规模问题上，挑战则更加直接。一个个体有10种选择，两个个体就可能产生100种组合；随着参与者增加，解空间会指数级扩大。沌序科技尝试将群体智能算法与传统组合优化方法结合，用于物流调度等复杂问题，可面向千万规模决策变量、百万规模约束条件进行求解。
例如在低空安全场景中，沌序科技尝试把雷达、光学设备、无线电侦测设备以及无人机处置设备，通过群体智能的方式组织起来，让原本各自为战的设备形成协同。
在机器人场景中，沌序科技则试图进一步构建一个通用的群体智能“大脑”，把无人机、无人车、无人船、机器狗和机器人等不同设备组织进同一个系统，让它们从一组彼此独立的机器，变成一支能够协同完成任务的智能作业队。
至此，Organization已经不再只是一个来自生物群体或管理学的隐喻，而是变成一个AI工程问题。
不过工程结构只是第一步。
当越来越多拥有自主能力的机器真正开始共同执行任务，一个“群体”究竟怎样才能有效运行？所有决定都交给中央系统，还是把更多决策权下放给个体？甚至，当固定的身体结构已经无法适应任务时，机器人能不能连自己的组织形态一起改变？
微分智飞（杭州）联合创始人&CMO于欢与香港中文大学（深圳）理工学院副教授&助理院长林天麟的两场演讲，恰好沿着这两个方向，把Organization继续向下拆解。
于欢的演讲，首先把视线带到了空中。
微分智飞（杭州）联合创始人&CMO于欢
很多时候，我们看到几十架甚至上百架无人机整齐飞行，会自然把它理解成“无人机集群”。但从群体智能的角度看，数量多并不等于群体智能。
如果每一架无人机的位置、轨迹和动作都由中央系统提前规划，本质上仍然是一个“大脑”控制许多个执行端。而且规模越大，对中心计算、通信和定位系统的依赖往往也越强。
而微分智飞所尝试的分布式飞行集群，则希望把自主决策能力进一步下沉到每个飞行机器人。每一个个体都拥有对周围环境的感知与判断能力，同时只需要与附近个体交换少量信息，就能够形成集群层面的协同。
具体到技术层面，这套具身脑框架包含大脑、小脑、世界模型三大部分。
大脑承担任务拆解、长链决策、反馈调整和持续学习，小脑负责运动规划、精细控制与协同运动，世界模型则承担认知、预测以及未知空间和时间演进推理；最终让飞行机器人能够在真实环境中完成任务，并进一步形成机器人集群。
这些首先作用于单体。例如，一个飞行机器人可以根据“帮我找到附近的星巴克”这样的自然语言指令，自主进行任务拆解、调用地图、导航、避障并完成后续任务。
而当这些能力进一步扩展到集群层面，问题就开始从“一个机器人如何完成任务”，变成“多个不同机器人如何围绕同一个任务分工”。于欢展示的一个案例中，系统接到“找到时钟和车库”的任务后，可以让不同无人机分别执行搜索；当遇到门等障碍时，再由移动机械臂参与操作，为无人机打开进一步探索的空间。
这已经不再只是把同一种机器复制很多份。群体内部开始出现不同角色、不同能力，以及围绕任务动态形成的协作关系。
继续往物理世界深处走，还会遇到一个更基础的问题。此前的所有讨论都默认了一件事：无论智能怎样分布，机器人的“身体”本身是固定的。可现实中的任务并不会永远适配同一种身体。
在一些非常极端的现实场景中，例如灾区搜救、月球熔岩管内部勘探，或者复杂结构内部检测，机器人可能面对狭窄入口、断崖、坍塌、崎岖地形和完全未知的空间，同时还要连续完成探测、跨越、支撑、搬运等不同任务。
身体赋予了能力，也同时限制了能力边界。林天麟提出，如果很难事先知道任务需要一台什么样的机器人，能不能不要提前选定一种机器人，而是让机器人根据任务，现场决定自己应该“长成什么样”？
香港中文大学（深圳）理工学院副教授&助理院长林天麟
这就是模块化自重构机器人的思路。林天麟团队设计的机器人模块，本身拥有分、扩、变、替四种能力：可以分批运输后现场组装，可以根据任务动态扩大规模，可以实时改变功能形态，也可以通过替换模块维持系统持续工作。
它们可以像蚂蚁一样搭出“桥梁”，也可以组合成更大的结构去完成高负载任务；当部分模块损坏后，其他模块还可以参与替代，从而增强整个系统持续工作的能力。
为了实现这种重构，林天麟团队探索了不同的机械连接方式。
早期的球形机器人原型，在金属球壳内部安装带磁铁的移动机构，通过内部机构运动改变重心完成移动，同时借助磁力与其他机器人连接。
随后，团队又从蜗牛获得灵感。新的机器人采用履带与磁力实现移动和连接，并进一步加入类似仿生吸盘的结构：普通状态下可以灵活运动，需要承受更大载荷时，则通过吸附进一步增强连接强度。
当同构模块依然受到结构和受力限制时，团队又进一步引入异构模块，使机器人能够组成环形甚至更加复杂的三维结构，并通过多个模块共同输出力量。
机器人之间的“关系”，已经不只是信息关系，更是一种真实的物理结构。
需要注意的是，目前不少自重构机器人的规划和训练仍然依赖中央系统。林天麟下一步将着重提升每一个模块自身的智能，让模块之间可以自主交互和沟通，减少对中央控制系统的依赖。
如果说前三场演讲完成的是从理论框架、工程架构到真实运行机制的逐层展开，那么到了圆桌，问题进一步转向“它为什么值得被产业采用？”
第一场圆桌的主题是《组织：群体智能如何成为下一种生产力？》，由联想之星执行董事张琪主持，沌序科技创始人&董事长蒲志强、明途科技创始人&CEO肖雪松、捷象灵越创始人&CEO吕峰、破壳机器人商业化合伙人刘硕、境瞳科技CEO弭宝瞳共同参与。
圆桌刚一开始，张琪就抛出了一个很直接的问题：群体智能并不是今天才出现的研究方向，为什么偏偏在此时开始从实验室走向产业？
蒲志强认为，变化首先发生在“个体”。
大模型、Agent和机器人快速发展之后，越来越多智能体已经拥有了基本的自主能力；与此同时，机器和Agent的数量也开始从几个、几十个，走向成千上万甚至更大规模。有了足够聪明、也足够多的节点之后，怎样组织这些节点，才第一次变成一个现实的产业问题。
但数量多，并不意味着一定更强。肖雪松提出了一个有些反直觉的判断：如果把同等资源集中给一个智能体，在部分任务上，单体的表现甚至可能超过多个智能体。
Multi-Agent真正的价值，不是“人多力量大”，而是现实世界里的知识、数据和技能本身就是分散的。不同Agent掌握不同能力，复杂任务也可以被进一步拆解。组织做得足够好，多个Agent才有可能在算力成本、数据安全和专业分工上体现优势。
换句话说，群体智能的关键，并不是增加Agent，而是让不同Agent形成有效的分工。到了物理世界，这个问题更加明显。
捷象灵越的场景通常是几十台乃至上百台机器人的协同。在吕峰的观察里，从10台到100台、再到1000台，不只是简单的量变，而是“连续的质变跃迁”。机器人规模每提升一个量级，原有的算法和架构都可能受到很大限制。
他分享了一个测试案例，如果中央调度失联或断线，一台大机器人和一台小机器人在狭窄通道（有限物理资源）相遇（有协同接力任务）。两台机器人都选择主动让路，一个后退、另一个前进；走不通之后又交换方向，最后不断重复，陷入死循环。
在吕峰看来，协同出现问题，影响的是效率；但冲突如果无法消解，会导致任务无法完成。
而进入家庭之后，“组织”的对象又发生了变化。刘硕判断，未来家庭里可能只需要一台足够通用的机器人，但它需要面对的，却是一整套已经存在的智能设备。
洗衣机、烘干机、冰箱、洗碗机都已经拥有自己的“智能”，真正缺失的是一个能够把它们连接起来、理解家庭需求并完成物理操作的角色。因此，刘硕理解的群体智能，并不是简单增加更多机器人，而是让机器人、IoT设备和家庭环境里的信息真正协同起来。
弭宝瞳则把“群”推到了另一个极端——模拟社会。
境瞳科技试图让大量Agent映射真实人的行为与心理特征，再通过Agent之间的交流、博弈和传播，模拟真实社会中的群体行为。
但弭宝瞳认为，要真正构造一个能够用于社会推演的群体系统，至少需要跨过三个层次：先证明单个Agent真的能够模拟一个人的行为，再让Agent之间产生真实的交流、博弈和协作，最后还要用现实社会中的规律去检验群体行为。
从个体可信，到交互可信，再到群体可信，规模本身并不能跳过其中任何一步。
进入第二场圆桌《涌现：智能如何从个体走向群体？》，主持人为首程资本投后生态负责人王玉雷，智慧互通（AICT）CEO&人工智能科学家项炎平、微分智飞（杭州）联合创始人&CMO高飞、一飞智控创始人&上海大学教授齐俊桐、香港中文大学（深圳）副教授林天麟、清析智研联合创始人&首席科学家王欢共同参与。
顺着圆桌一的讨论，如果Organization解决了，新的智能就一定会出现吗？
项炎平给出了一个城市交通里的典型问题。一个城市有几百甚至上千个路口，优化一个路口并不难，但A路口变得畅通，很可能把拥堵转移给B路口。真正需要解决的，是整个城市的全局效率。
与此同时，把所有摄像头、雷达产生的数据全部传回一个中央“大脑”统一计算，在规模扩大之后又很难成立。更现实的方式，是让每个路口先完成局部判断，再与周围节点交换有限的信息。
局部最优不等于全局最优；但实现全局最优，也不意味着所有信息都必须集中到一个中心。
于欢接着把这个问题带到了无人机。他认为，真正的群体涌现不能只靠规则堆出来，它仍然需要一定的模型作为基础。
例如一群无人机真正进入灾害现场后，它们可能突然发现前方没有通讯信号。这时，如果系统拥有自主分工能力，一架无人机可以留下充当通信中继，其他无人机继续向前搜索；发现伤员后，一架负责报警；需要投送物资时，再临时组织其他无人机一起完成任务。
“自主分工，以及统一认知。”于欢总结道。
但紧接着，齐俊桐给这种想象增加了一个重要的现实边界。齐俊桐所在的一飞智控，本身就在做大规模无人机集群系统。
“但这并不意味着涌现发生了。”齐俊桐表示，规模虽然扩大了，系统却没有因此突然获得一种全新的智能。
更现实的矛盾在于，学术研究希望系统越来越自主，产业应用却要求系统足够稳定、可预测、可验证。对于数万架无人机组成的系统来说，一个不可解释的黑盒决策，很可能意味着企业无法承受的风险。
这也给“群智”划出了一条很重要的边界：Scale只是涌现的条件之一，并不是涌现本身。
林天麟则从自然界给出了类似的观察。几千只蚂蚁能够形成群体智能，几百万只蚂蚁仍然主要在觅食、生存、筑巢，它们不会因为数量扩大了一千倍，就突然开始建造摩天大楼。
对于机器人而言，规模扩大确实会让集中式控制越来越困难，也因此需要更多分布式的局部自主。但真正可能发生质变的，仍然是个体之间的连接方式、交互规则，以及能否由此形成新的组织关系。
最后，王欢把“涌现”带到了AI for Science。
在他的划分中，AI进入科学研究大致正在经历三个阶段：第一步是工具智能，过去需要几十天完成的分析，AI可以缩短到几天；第二步是模型智能，模型开始真正理解实验、材料、工艺与结果，并参与决定下一步应该做什么；再往后，才是更接近群体智能的“系统智能”。
未来，其中可能同时存在推理模型、检索Agent、实验设计Agent和真实自动化设备。这些节点彼此连接，再让实验结果不断反馈给模型。
到了这里，智能已经很难简单归属于某一个Agent，真正产生能力的，是模型、机器与反馈共同组成的闭环。
两场圆桌也最终指向同一个判断：规模本身并不等同于智能，“1+1>2”的核心，从来都不在于“1”的数量有多少，而在于中间这个“+”究竟是什么。
如何让这个“+”发生，如何组织智能，目前仍然没有标准答案，这也是沌序科技在带领行业持续探索的方向。
但没关系，群智的故事，已经开始。
本条由桃子采集流水线（启发式模式）自动整理，原文见文末信源。
