Sakana AI

事件核心总部位于东京的 AI 实验室 Sakana AI 近日发布了名为 MASS（Multi-Agent Search and Synthesis，多智能体搜索与合成）的最新研究成果。该框架旨在通过“集体智能”实现大语言模型（LLM）的递归自我改进。不同于传统的依赖海量标注数据或单纯增加参数规模的路径，MASS 模拟了自然界中的进化机制，通过多智能体系统在解空间内进行自主搜索、评估与合成，从而让模型在没有人类干预的情况下，持续提升其在复杂任务中的表现。技术/商业细节MASS 的核心逻辑在于将“推理”视为一种在广阔解空间中的“搜索”过程。其技术架构主要包含两个循环：搜索阶段（Search）： 多个智能体并行工作，针对特定问题生成多样化的解决方案。这一过程利用了 LLM 的发散性思维，类似于生物进化中的变异。合成阶段（Synthesis）： 系统对搜索到的结果进行交叉评估，提取各方案中的最优特征，并将其合成为一个更强大的“后代”方案。从商业维度看，MASS 标志着 AI 开发范式的转移：从“以数据为中心”转向“以算法演进为中心”。Sakana AI 证明了利用推理侧计算（Inference-time Compute）和进化算法，可以在较小的算力开销下，达到甚至超越超大规模模型的性能。这对于算力受限的初创公司和希望在特定垂直领域实现突破的企业具有极高的参考价值。八卦分析：全球影响「八卦洞察」认为，Sakana AI 的这一动作实际上是在挑战 OpenAI 所主导的“Scaling Law”（规模法则）霸权。如果说 OpenAI o1 开启了“推理时计算”的大门，那么 MASS 则是将这一逻辑推向了“群体化”和“自动化进化”的高度。其深层影响在于：去中心化的智能涌现： 过去我们认为 AGI 必须由一个超级模型实现，但 MASS 暗示，由多个中等规模模型构成的“集体”可能比单一巨兽更具韧性和进化潜力。打破数据枯竭困境： 随着互联网高质量数据被挖掘殆尽，AI 的自我改进能力（Self-improvement）成为通往 AGI 的必经之路。MASS 提供了一套可落地的递归改进协议。日本 AI 势力的崛起： Sakana AI 由前 Google 研究员 Llion Jones（Transformer 论文作者之一）和 David Ha 创立，他们将日本特有的生物启发式算法与现代 LLM 结合，正在全球 AI 版图中开辟出一条极具竞争力的“进化路径”。战略建议对于技术决策者和投资者，我们提出以下建议：关注“智能体群”而非“单体模型”： 企业不应盲目追求部署参数量最大的模型，而应探索如何构建多智能体协同系统，利用集体智能解决特定业务痛点。布局自动化反馈闭环： 递归改进的前提是拥有高质量的自动评估机制。企业应优先建立针对业务场景的“判别器”模型，这是实现 MASS 类进化的基础。重新评估算力分配： 将部分预算从昂贵的预训练转向推理侧的搜索与合成，利用“推理侧红利”实现性能的非线性增长。

事件核心 长期以来，反向传播（Backpropagation, BP）一直是深度学习的基石，但其在生物学上的不合理性（如权重对称问题和全局梯度锁定）限制了其在类脑计算和边缘设备上的应用。预测编码（Predictive Coding, PC）作为一种更具生物学解释性的替代方案，允许神经元通过局部错误信号进行学习。然而，传统预测编码在推理阶段收敛速度极慢，导致训练效率低下。Sakana AI 研究团队近期提出的“增广拉格朗日预测编码”（Augmented Lagrangian Predictive Coding, ALPC）通过引入数学优化中的增广拉格朗日法，显著提升了推理速度与模型性能，为非 BP 训练范式的大规模应用铺平了道路。 技术/商业细节 ALPC 的核心在于重新定义了预测编码的优化目标。在标准 PC 中，推理过程通常被视为对能量函数的梯度下降，这在深层网络中往往需要数百次迭代才能达到平衡。ALPC 引入了拉格朗日乘子和惩罚项，将层间一致性约束转化为一个更易优化的对偶问题： 推理加速： 通过增广拉格朗日项，ALPC 能够以更少的迭代次数实现更精确的内部状态收敛，实验显示其推理效率提升了数倍。 训练稳定性： 相比于传统的 PC 算法，ALPC 在处理复杂数据集（如 ImageNet）时表现出更强的鲁棒性，减少了学习过程中的震荡。 性能突破： 在图像分类任务中，ALPC 不仅在准确率上逼近反向传播，且在某些特定架构下表现出了更好的泛化能力。 从商业角度看，Sakana AI 此次研究标志着其从早期的“模型融合”技术转向更基础、更具颠覆性的底层架构创新。这种技术路径对于开发低功耗、可实时学习的边缘 AI 芯片具有极高的战略价值。 八卦分析：全球影响 「八卦情报局」认为，ALPC 的出现不仅仅是一个算法的改进，它是对当前“Backprop-only”工业现状的一次有力挑战。目前，全球 AI 算力竞赛高度依赖 NVIDIA 的硬件生态，而这些硬件是为反向传播高度优化的。如果以 PC 为代表的局部学习算法能够证明其在大规模参数下的优越性，将直接推动 neuromorphic（神经形态）硬件的复兴。Sakana AI 选在这个时机发布，显然是想在后 Transformer 时代，通过重新定义“学习机制”来占据学术和工业界的高地。此外，这种局部更新机制天然适合分布式计算和异步训练，可能成为未来超大规模模型训练的新范式，摆脱对同步全局梯度的依赖。 战略建议 技术选型： 建议关注边缘计算与嵌入式 AI 的团队，开始预研非 BP 训练框架，ALPC 提供了一个可落地的参考路径。 硬件布局： 芯片设计厂商应评估局部学习算法对内存带宽和计算单元的需求变化，提前布局支持异步局部更新的架构。 学术跟踪： 密切关注 Sakana AI 在该算法上的后续扩展，特别是其在 Transformer 或扩散模型上的应用潜力。

Sakana AI 推出 Fugu-14B，这是一款基于 Qwen2.5-14B 构建、通过进化模型融合（Evolutionary Model Merging）与知识蒸馏技术深度优化的模型，旨在解决 RAG（检索增强生成）场景中的长文本检索与抗噪难题。 ▶ 精准打击 RAG 痛点：Fugu 专注于解决“大海捞针”（Needle-in-a-Haystack）及长上下文中的信息丢失问题，在特定 RAG 评测中性能超越了参数量大得多的通用模型。 ▶ 进化算法的工程化胜利：该模型再次验证了 Sakana 核心的进化算法在模型微调与合并阶段的高效性，无需海量算力即可实现垂直领域的“以小博大”。 八卦洞察 Sakana AI 正在走一条极具策略性的“非对称竞争”路线。在硅谷巨头卷参数、卷算力的当下，这家总部位于东京的实验室选择在 RAG 这个企业级落地最核心、最痛苦的环节深挖。Fugu 的核心价值不在于它的通用对话能力，而在于它对“干扰信息”的过滤能力和对“长程关联”的捕捉能力。通过知识蒸馏将大型教师模型的推理逻辑压缩进 14B 的架构，Sakana 实际上是在定义一种“场景化模型”的新范式：即模型不再是越大越好，而是越贴合推理链路越好。这对于追求 ROI 的企业用户来说，比单纯的 GPT-4 替代品更具吸引力。 行动建议 对于正在构建企业级知识库或 RAG 系统的架构师，建议立即评估 Fugu-14B 在处理复杂、多噪音文档时的表现。在部署策略上，可以考虑将 Fugu 作为 RAG 链路中的专用推理引擎，以替代成本更高、延迟更大的通用大模型。同时，开发者应关注 Sakana 提出的进化合并方法论，这为企业利用自有数据进行低成本模型定制提供了一条极具参考价值的技术路径。