ARTICLE · 1272352
我们天天聊的AI助理其实全被单聊困死了
我们天天聊的AI助理其实全被单聊困死了很多人聊起钢铁侠身边的贾维斯，脑子里先蹦出来的画面往往是炫酷的全息投影，或者几秒钟徒手合成新元素的高深算力。 重看几遍电影就会发现，贾维斯让人羡慕的地方在别处。 它让人觉得是个活生生的帮手，恰恰因为托尼·斯塔克经常不在场。 
托尼在车库里通宵焊装甲，累瘫在地下室沙发上呼呼大睡。小辣椒推门进来，贾维斯没有把托尼叫醒，它主动向小辣椒问好，报出托尼的体征数据，顺手把公司需要紧急签字的文件调出来递过去，同时悄悄把旁边的机械臂转速调低，免得噪音吵到托尼。罗德上校打电话过来找人，贾维斯帮托尼挡掉无关的追问，后台还在盯着反应堆的冷却液温度与全球飞行航线。 回到现实世界，我们每天面对的各路顶级人工智能助手，处境显得极其荒唐。 屏幕中间永远躺着一个空荡荡的输入框。 
光标在惨白的背景上一秒一跳。只要坐在电脑前的人不敲键盘，不把提示词敲进回车键，这套号称拥有几千亿参数的超级大脑就会保持一整天死寂。 你离开工位去开两个小时的周会，回来一看，屏幕上的光标停在原地，连一毫米都没有挪动过。 现在的工具完全是单向受激的产物，机器的生命完全寄生在人类敲击回车键的瞬间。 托尼·斯塔克要是用上现在的助手，他在车库睡觉时，公司股价早就跌停了，军方的催办电话能把豪宅座机打爆。
为什么现在的智能体软件做不出这种管家感觉？ 写过大模型调用接口的极客都知道，问题出在底层的运行机制上。当今主流的生成式模型，底层就是一个无状态的单次调用函数。 
程序向云端服务器发送一段包含历史记录的提示词，显卡轰鸣几秒钟，逐字吐出最后一个标点符号。紧接着，显存里的激活缓存全部清空，整个推理进程瞬间陷入彻底的冻结。它没有自己的生理时钟，没有在后台巡逻的常驻守护进程，更不知道现实世界里的时间已经走过了十分钟还是三天。 早在 1994年，麻省理工学院媒体实验室学者 帕蒂·梅斯 就做过一套名为 Maxims 的实验系统。她试图让程序在后台悄悄学习主人的邮件处理习惯，随后自主接管邮件分类和回复。 实验很快碰了壁。如果软件每做一件事都要弹窗找主人确认，主人省下来的时间全被无休止的确认弹窗吃光了；如果软件完全不打扰主人而擅自做主，一旦判断失误，就会引发灾难性的社交事故。 三十多年过去了，当下的各种智能体框架依然卡在这道坎上。 
这两年开发者流行用死循环包装大模型，让模型自己生成待办清单、自己调搜索工具、自己读写文件。跑过这些程序的人都有过类似的崩溃体验。只要你离开电脑合上盖子，进程立刻掉线。就算把脚本挂在服务器后台，它跑着跑着，经常在同一个目录里反复读写五遍，或者被搜索引擎里一条无关的报错带偏，在一个荒唐的死胡同里把账户余额快速烧光。 为了防止程序失控，开发者只能重新加回各种确认弹窗。删文件要弹窗，发邮件要弹窗，调用外部接口要弹窗。原本想找个省心的助理打理杂乱事务，最后变成自己成了一个全职的人肉审批机器。 缺少了能够自主权衡轻重缓急的常驻调度机制，智能体在后台越卖力，带来的乱子就越多。 只要这套机制依然停留在单次应答里，屏幕里的代码就永远只是一个等候差遣的算盘。
即使我们用常驻进程和定时任务把后台问题硬解掉，更大的麻烦还在后面。 现在的模型全被困在单对单的私聊密室里。一个人在键盘前问，一个模型在屏幕里答。这种两个人传球的游戏在实验室里很好看，拿到真实职场和生活里却寸步难行。 翻看各大模型厂商提供的接口文档，对话格式极其单一。里面永远只有两个角色标识，一个是用户，一个是助手。人类的技术标准从一开始，就把机器的人际交往能力卡死在单挑的框架里。 人类真实的协作环境到处是多方利益的拉扯。 周三下午你在飞机上开飞行模式，公司项目群里有五个人。供应商在群里催工程尾款，项目经理在催功能上线时间，老板在群里艾特你问客户的预算底牌。 
如果你的助理能帮你进群代办，它得懂多少复杂的人际分寸？ 它得知道供应商催款可以先用客套话拖到周五，项目经理催排期需要先和测试人员对表，老板问的预算属于机密，哪怕在群里多说半句话，同在群里的外包团队就会把底牌看得一清二楚。 要是把现在的顶级模型直接放进这种五人微信群里代你发言，场面大概率会是一场灾难。 
它看见有人艾特你问预算，翻出你本地硬盘里的一份草稿表格，热情地直接发到了公共大群里。要是它想保守一点，就会用极其标准的公关腔在群里来上一句：“您好，我是协助处理事务的人工智能，已经收到您的留言，请您耐心等待。”群里的气氛瞬间尴尬到了极点。 在 2022年11月，研究团队在 《科学》杂志 上公布了博弈模型 西塞罗 的实验成果。西塞罗玩的是经典棋盘游戏强权外交。这盘游戏没有任何随机骰子，胜负全靠七名玩家在每个回合私下进行的语言谈判。 
西塞罗必须在多名真人玩家之间同时私聊，既要对北方的盟友提供承诺，又要防范东方的玩家背后反水，还要确保自身给出的承诺在多方私下核对时不会暴露出破绽。 这项研究把自然语言处理推进了一大步，也暴露出现有技术的边界。参与谈判的人数每多一个，模型推断他人想法的计算量就会出现爆发式扩散。只要对其中一个人的意图产生细微误读，或者在私聊中泄露了第三方的秘密，整场外交谈判就会在几分钟内彻底崩盘。 多人协作需要极高维度的分寸感。你得时刻清楚眼前说话的人是谁，对方拥有什么样的知情级别，对方想打探什么，什么事情需要立刻越级叫醒主人，什么事情可以微笑着把皮球踢回去。 在多人群体里周旋，弄清楚什么时候坚决闭嘴，往往比能说会道要难得多。 现在的模型没有这种嗅觉，只要别人一搭话，它就迫不及待地把上下文里的全部库存一股脑端给对方。
为什么现在的模型一进多人群聊就表现得像个没有分寸的书呆子？ 答案直接写在今天所有大模型的训练数据里。 从 2022年 以来席卷全球的指令微调与人类偏好标注，底层的格式几乎长得一模一样。翻开常见的开源数据集，里面的对话标记翻来覆去就两个角色。一个角色叫用户，另一个角色叫助手。 
外包标注员坐在电脑前，看着单人提出来的问题，在两段生成的回答之间打钩打叉。标注的标准也很简单，哪个回答更迎合眼前这位用户的喜好，哪个回答的分数就更高。 如此一来，模型从接触语言训练的第一天起，学到的行为准则就是竭尽全力讨好正在对它说话的这一个人。它完全不知道世界上还存在第三者，更不知道有些要求必须为了保护主人的利益而果断拒绝。 有人会觉得，互联网上有大把现成的论坛回帖和聊天群记录，直接拿来训模型不就行了？ 那些数据量确实很大，在工程上却很难直接使用。 公开群聊里充斥着大量的闲聊、表情包、错别字，还有三四条线索同时交叉的对话碎片。 
更关键的是，这些闲聊记录里完全缺少了作为代理人的思考轨迹。 一个人在群里为什么选择私聊回复张三，为什么故意无视李四的提问，为什么把一份文件单独抄送给王五，这些微妙的心理权衡全在当事人的脑子里，从来不会变成文字落在聊天记录的字符里。模型如果只靠模仿表面上的聊天语句，学到的无非是一堆没有因果逻辑的碎片。 整个学术界和工业界手里，目前几乎没有成体系的、带有明确权限边界与多方因果考量的高质量协作语料。 把一个在单人无菌书房里关了二十年的优等生，突然推到几十号人拉扯利益的项目现场，他除了两眼发直，根本不知道该看谁的脸色。
看清了这几道技术鸿沟，我们就能明白为什么贾维斯的距离比很多人想象的都要远。 要让手里的工具具备管家属性，需要跨过去的坎，远不止是把模型参数从几百亿堆到几万亿。 第一步是打破无状态的单次调用枷锁。 未来的智能体系统需要一套独立于大模型本体的常驻感知架构。小参数的轻量级检测模型常年挂在低功耗硬件上，像人体的自主神经一样，负责盯着日历、邮箱、系统日志和环境声音。大参数模型只在关键判定点被唤醒，把能耗与计算资源花在刀刃上。 
第二步是重构交互模型，把学会沉默当成一项核心能力。 智能体在多方对话场景里，首要解决的问题往往是此刻自己到底该不该出声。它需要学会评估发言的代价，在多方博弈的环境里，不合时宜的积极发言往往是灾难的起点。 第三步是构建合成的多人博弈演练场。 既然现实中拿不到高质量的多人协同语料，研究团队就需要把多个具备不同目标、不同权限的角色放进数字沙盒里，让智能体在成千上万次对抗与合作中，摸清楚什么叫信息差，什么叫利益回避，什么叫分级授权。 让机器在后台拥有感知现实世界的时间感，并在多方人群的拉扯中学会守住分寸，它才有可能从一个冷冰冰的问答工具，变成让人安心托付的伙伴。 电影里的托尼·斯塔克可以放心地把后背交给贾维斯，核心在于托尼知道，当自己闭上眼睛的时候，对方能替自己在这个混乱的世界里守好家门。
