DARPA拨款推动AI智能体间通信协议研究，最高奖励200万美元

空谈并不廉价：DARPA为AI智能体通信协议研究提供资助

为大幅提升智能体在科学探索领域的能力，美国国防高级研究计划局（DARPA）正着手改善跨智能体协作机制，计划构建一套"AI通信科学体系"，帮助各模型协同工作、碰撞出更优质的创新思路。

这家五角大楼旗下的研究机构于本周二正式宣布启动"智能体通信提升数学方法"（MATHBAC）项目，并发布招募公告，面向有意推动"支撑自主智能体及智能体集群实现科学发现的基础数学、系统理论与信息论"的研究人员广泛征集申请。该项目分两个阶段推进，总周期34个月，第一阶段最高可获得200万美元资助。

DARPA设立该项目的逻辑清晰直接：AI发展迄今已取得不少亮眼成果，但大量工作仍依赖启发式引导，本质上是一种"碰运气"式的试错过程，更注重结果，而非深入理解结果背后的成因。这一问题同样存在于智能体之间的通信环节：若缺乏DARPA所称的"严格数学基础"来理解智能体如何通信与协调，这些交互将持续面临低效、不稳定且难以跨领域推广的困境。

DARPA在项目公告中解释道："尽管AI在探索解决方案空间方面表现出色，但在系统性地探索假设空间方面仍力不从心，而后者恰恰是产生变革性、可推广科学洞见的关键所在。MATHBAC项目的核心目标正是通过优化AI通信机制，系统性地加速重要新假设的发现速度，从而推动智能体科学推理效率实现突破性提升。"

MATHBAC第一阶段将专注于构建理解和设计智能体通信协议的数学基础，并提升通信内容的质量——这意味着该项目不仅关注AI智能体如何通信，同样关注它们在通信中传递什么内容。

DARPA在介绍项目第二技术方向时指出："MATHBAC除评估和优化交互协议外，还将聚焦于智能体通信内容的特征研究。"

公告进一步说明，第二技术方向将深入分析智能体间交互的内容，"重点在于从数据中发现'规律'（定律、相关性），提炼出简洁、可推广的'知识精华'，并将其纳入协作智能体的共同知识模块（即'记忆'）之中"。

简而言之，第二技术方向在MATHBAC第一阶段所要探索的核心问题是：一组在特定科学领域接受训练的AI智能体，能否从一组暗示某种普遍规律但并未明确阐明该规律的数据中，自主推断出具有普适性的科学原理、定律或相关关系。

对此，DARPA举例说明了项目的一个高难度目标（通常被认为几乎无法实现）：从"数据驱动的门捷列夫式原子周期表的重新发现"出发，进一步构建"面向分子的多维类周期表"。

能否成功，且拭目以待

DARPA在公告中表示："一旦取得成功，MATHBAC将从根本上改变科学发现乃至知识传授的方式。"此言不虚——这注定不是一项轻松的任务。DARPA甚至明确表示，不会受理任何"主要成果仅为对现有实践状态进行渐进式改进"的研究申请，意味着该项目若要被认定为成功，必须在AI科学领域实现真正意义上的革命性突破。

除第一阶段本身的挑战外，第二阶段还要求MATHBAC研究人员更进一步，聚焦于创造能够"系统性地推动新科学演化与发明"的AI工具。

DARPA表示，实现这一目标的路径在于：引导AI智能体以最大化科学问题解决能力为目标，基于前述通信协议进行自我进化。DARPA指出，要达到预期的智能体协作水平，或许需要开发一套专为AI智能体设计的全新领域语言，这一可能性将在项目第二阶段深入探索。

该机构进一步解释道："迄今为止，AI与智能体平台所受到的进化压力，主要源自参与其开发的人类所承受的外部压力。MATHBAC希望将这种压力转移至智能体本身及其协作能力之上。MATHBAC将系统性地探索、理解并设计协作式AI智能体通信的最优协议、内容，乃至可能的全新语言体系。"

MATHBAC项目的提案截止日期为6月16日，项目计划于今年9月正式启动，预计将有多个团队获得资助。截至发稿，DARPA尚未回应本文的相关问询。

Q&A

Q1：MATHBAC项目的核心目标是什么？

A：MATHBAC（智能体通信提升数学方法）项目由DARPA发起，核心目标是为AI智能体之间的通信与协作建立严格的数学基础，从而系统性地加速科学发现的效率。项目不仅关注智能体如何通信，也关注通信内容的质量，希望通过优化协作机制，推动AI在科学推理领域实现突破性进展。

Q2：MATHBAC项目分哪两个阶段？各阶段重点是什么？

A：MATHBAC分两个阶段推进，总周期34个月。第一阶段专注于构建理解和设计智能体通信协议的数学基础，并研究智能体能否从数据中自主推断出可推广的科学规律。第二阶段则更进一步，聚焦于创造能系统性推动新科学演化与发明的AI工具，并可能探索专为AI智能体设计的全新领域语言。

Q3：MATHBAC项目对AI智能体通信有哪些具体要求？

A：DARPA明确表示，MATHBAC不接受仅对现有实践进行渐进式改进的研究申请，必须追求真正革命性的突破。项目要求研究人员不仅优化智能体交互协议，还要研究如何从数据中提炼出简洁、可推广的知识精华，并纳入智能体的共同记忆模块，最终实现智能体基于自身协作压力进行自我进化。