在过去几十年中，人工智能的进步主要集中在算力、算法和数据三个方面，尤其是在大模型时代，这些因素的相互作用孕育出了众多优秀的单体模型。然而，当这些模型数量不断增加时，孕育出更大的发展空间也成为了可能。如果这些模型能够在充分理解的基础上相互联通与协作，那么是否能够产生超越任何单个模型的智能？

在最新的“十四五”规划中，除了强调对算力、算法和数据的高效供应外，还明确鼓励多模态、智能体和群体智能等技术的创新。基于此，AI智能增长的新要素或许就是模型本身。

近期，成立不久的南大系初创公司南芥智能（SinapisAI）发布了首份技术报告《Toward Collective Model Intelligence: Characterizing and Coordinating Models》，首次揭示了其技术基础，系统阐述了围绕大规模模型协作构建的技术框架及初步实验成果。该框架旨在为不断扩大的模型生态系统构建可量化的能力画像，并通过 Mio（Models in One）结合任务需求与资源限制进行模型选择与协作。报告显示，Mio 1.0 Lite 在九项基准测试中表现优异，平均得分最高且请求成本最低。 龙8头号玩家

南芥智能是南京大学人工智能学院技术孵化的一家企业，核心创始团队包括联合创始人孙腾中（CEO）、刘建东（CTO）等人，他们来自该学院的 LAMDA 实验室，并受到周志华院士的指导。该公司的产品平台 SinapisAI 近日开始公测，现已覆盖 484 个模型。

模型成为智能增长新要素的原因在于两个主要变化。首先，模型逐渐演变为可积累、复用和流通的资源，全球新模型的涌现让即使是技术相似的模型也能够发展出各自独特的能力。其次，单体模型的增强所需的边际成本持续增加，各种模型的独特长处仍待充分挖掘。

正如报告所述，一个模型的价值在于其在集体中的角色。即使是表现平平的专家模型，也可能弥补其他模型的不足。这个概念源自于早在2016年，由周志华院士提出的“学件（Learnware）”范式，强调模型共享及按需复用。海量模型的协作正是这一思想的延续。 龙8头号玩家

报告中介绍的“模型群体智能”（Collective Model Intelligence）概念专注于各模型之间的能力协同，旨在提升任务执行效果与资源利用效率。这一理念与“十四五”规划中对群体智能等技术创新的支持相呼应，同时也促进算力资源的集约化发展，通过复用现有模型的能力，以减少不必要的重复训练。

该系统由四个相互关联的技术模块组成。首先，了解模型（Model Eval）阶段要求对模型进行评估，但全量评测成本较高。该模块结合查询响应建模与跨领域预测，通过历史评测数据和有限的新增信息，构建模型的能力画像。

其次，选择合适的模型（Mio）环节，系统结合模型能力与当前任务状态，筛选满足接口、模态和预算等条件的候选模型，评估预期表现并挑选出更为合适的方案。此外，候选池的维护机制是动态的，随着新模型的引入与能力证据的变化持续调整。 龙8头号玩家

最后，调动模型（Mos）模块解决的是在选择模型后，如何有效利用相同类型的多个模型。