AGI 的最後一塊拼圖：為何「協調層」比更大的模型更重要
我們距離通用人工智慧（AGI）還有多遠？一篇新論文指出，關鍵瓶頸不在於模型大小或資料量，而在於一個被忽略的「協調層」。本文將探討為何這種系統整合思維，而非單純的能力堆疊，才是實現真正目標導向智慧的關鍵，並解釋我們該如何從「模式煉金術」轉向更具結構性的「協調物理學」。
通用人工智慧（AGI）的瓶頸，不在於模型規模或資料量，而是缺乏能約束並引導知識模式的「協調層」。從單純的「模式煉金術」轉向「協調物理學」，建立能將獨立能力整合成目標導向行動的系統，才是通往真正智慧的關鍵一步。
我們是否高估了「規模化」的力量？
過去幾年，大型語言模型（LLM）的發展令人驚嘆。從 GPT-3 到今天的各種巨型模型，參數規模動輒突破兆級，它們在語言生成、知識問答等任務上展現了驚人的能力。這股浪潮讓許多人相信，只要持續擴大模型規模，通用人工智慧（AGI）的曙光就在不遠處。
然而，這種信念也引來了深刻的質疑。學界早有 「隨機鸚鵡」（Stochastic Parrots） 的批判，指出模型只是在模仿訓練資料中的模式，而缺乏真正的理解與意圖。
即使模型能夠儲存幾乎整個網際網路的知識，它們在面對需要多步驟、跨領域推理的複雜問題時，仍然會顯得脆弱且不穩定。它們可能會產生幻覺、在邏輯上自相矛盾，或無法根據明確的目標來規劃和執行一系列連貫的行動。
這顯示出一個根本問題：擁有龐大的模式儲備，與能夠有目的地「使用」這些模式，是兩件截然不同的事。單純的規模化，就像是打造了一座藏書無數的圖書館，卻沒有一位懂得如何查找、整合並應用這些知識的圖書館員。
為什麼單純的模式匹配還不夠？
要理解這個問題，我們可以借鏡諾貝爾獎得主 Daniel Kahneman 提出的「雙系統理論」。人類的認知可以粗略分為兩個系統：
- 系統一（System 1）：快速、直覺、自動化的思考，主要依賴經驗與模式匹配。例如，看到 2+2 能立即反應出 4。
- 系統二（System 2）：緩慢、需要刻意、有邏輯的思考，用於處理複雜的計算與規劃。例如，計算 27 x 43。
目前的 LLM 在很大程度上是「系統一」的極致展現。它們能在一瞬間從龐大的資料中匹配出最可能的下一個詞元，表現出流暢的對話能力。然而，它們缺乏一個強健的「系統二」來進行監督、驗證與規劃。當任務超出單純的模式匹配範疇，需要目標分解、策略選擇與結果驗證時，LLM 的弱點便暴露無遺。
真正的推理能力，不僅僅是模式的再現，更是對模式的選擇、組合與約束，以服務於一個特定的目標。
這正是許多 AI 研究者開始將目光從模型本身，轉向其外部協調框架的原因。我們需要的不是一個更大的「系統一」，而是一個能夠駕馭它的「系統二」。
「協調層」到底是什麼？
一篇於 2025 年 12 月發表的論文 《The Missing Layer of AGI: From Pattern Alchemy to Coordination Physics》，精準地指出了這個缺失的環節。作者 Edward Y. Chang 提出，AGI 的實現需要一個明確的「協調層」（Coordination Layer）。這個協調層並非模型的一部分，而是一個位於模型之上、負責目標導向推理的系統架構。
這篇論文提出了兩個核心概念：統一認知協調理論（Unified Cognitive Coordination Theory, UCCT）與模組化代理協調基礎設施（Modular Agent Coordination Infrastructure, MACI）。簡而言之，UCCT 提供了理論基礎，定義了如何將高階目標分解為可執行的子任務，並在過程中動態綁定所需的知識模式；而 MACI 則是實現這一理論的工程堆疊。
這個協調層的功能，可以類比為電腦的作業系統，負責以下關鍵任務：
- 目標管理：如同作業系統的行程管理器，負責接收、理解並追蹤高階目標。
- 資源調度：根據當前任務，決定呼叫哪個模型、使用哪種工具（如程式碼直譯器、搜尋引擎）。
- 狀態監控與回饋：持續評估任務進度，將結果回饋給規劃模組，並在必要時進行修正。
在這種架構下，LLM 不再是唯一的智慧核心，而是被協調層當作一個強大的「模式引擎」或「知識庫」來呼叫。這種系統整合的思維，讓我們得以從追求單一模型的「萬能」，轉向設計一個能夠整合多種專用工具與模型的智慧系統，這顯然是一條更具擴展性與可靠性的路徑。
諸如 LangChain 或 AutoGPT 等早期框架，已經展現了這種協調思想的雛形，儘管它們還相對初階。
從「煉金術」到「物理學」的轉變，意味著我們不再寄望於黑箱模型中神秘湧現的智慧，而是開始用系統工程的原則，去設計與建構一個可預測、可除錯、可擴展的智慧體系。這或許不像訓練一個更大的模型那樣激動人心，但它卻是讓 AI 從一個強大的工具，邁向一個可靠的協作者所必需的、更為成熟的途徑。
延伸閱讀
- Chang, E. Y. (2025). The Missing Layer of AGI: From Pattern Alchemy to Coordination Physics. arXiv:2512.05765.
- Bender, E. M., et al. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?. FAccT '21.
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。