Google研究员发现：DeepSeek-R1内部在"开会"，这才是推理能力的真正来源

AI"奇点"的想象框架长期主导着公众对超级智能的预期：一个单一的硅基大脑自我进化至神级，将所有认知收束为一个冷峻的点。这篇来自 Google、芝加哥大学与圣菲研究所的论文，开篇就对这一假设开刀。

作者的核心判断是：智能从来不是标量，而是高维的、关系性的、社会性的。"人类智能"本身就是一个集体属性，谈不上什么"人类尺度"。若 AI 发展遵循历史上重大演化转变的规律，下一次智能爆炸将是复数的、社会性的，而不是某个单点的自我引爆。

推理模型内部在开一场会

论文最有实证价值的发现，来自对 DeepSeek-R1 和 QwQ-32B 的研究。直觉上，这些模型"思考时间越长、表现越好"——但实验否定了这个简单解释。

真正驱动准确率提升的，是模型在 chain-of-thought 中自发产生的多视角内部对话：不同的"认知立场"相互辩论、质疑、验证、调和，作者将其命名为"思想社会"（society of thought）。研究者通过显式引导和放大这种多方对话结构，进一步提升了模型在困难推理任务上的准确率，从因果层面确认了这一机制的有效性。

几个世纪的认识论，被梯度下降重新发现

更耐人寻味的是这种行为的涌现性。没有任何训练目标明确要求模型产生对话结构——强化学习只奖励推理准确率，模型却自发发展出多方参与的认知模式。作者指出，这是模型在优化压力下独立"重新发现"了认识论与认知科学的核心结论：稳健的推理本质上是社会过程，即便发生在单一个体内部。

苏格拉底式对话、科学中的同行评审、辩证法……这些人类认知的社会机制，正以某种压缩形式在神经网络中复现。我认为这个发现值得严肃对待，它不只是有趣的现象描述，而是暗示了推理能力提升的一条结构性路径。

一个被严重低估的设计空间

论文指出了一个明显的研究空白：社会科学和组织行为学花了一个世纪研究团队规模、层级结构、角色分工、冲突规范如何影响集体表现，但这些成果几乎没有被引入 AI 推理系统的设计中。

当前推理模型输出的是单一对话流——类似"AI 全体大会"的文字记录。但有效的群体决策需要并行的分支讨论、结构化的反对声音、专业化的角色分工。这意味着多智能体架构还有巨大的未开发空间，不是靠堆参数，而是靠引入组织结构的智慧。

Position Paper 的价值与边界

这篇文章的性质更接近 position paper，而非实验报告，没有提供可直接复现的方法或完整的消融实验。其贡献在于提供清晰的概念框架和研究议程。

对从业者而言，最实用的启示是：设计多智能体系统时，不应只关注任务分解的工程逻辑，更应思考角色分工、对话结构与分歧机制。对研究者而言，社会科学与 AI 推理的交叉地带正成为真实前沿——而这个方向目前竞争还不激烈。

。