谷歌把下一阶段押在多Agent协同：从单个模型到AI团队
10月20日发布的Big Technology访谈中，Google CEO Sundar Pichai把AI前沿的下一阶段，指向了多个Agent共同完成任务。他还预计，Agent会更深入地参与下一代模型研发，每个人未来也可能拥有一套持续为自己工作的多Agent系统。
这些判断的共同点，是在模型之上增加一层协同：让不同Agent分工探索、交换反馈，再把各自的工作接起来，持续推进一个复杂目标。Google看好的，是把模型能力组织成团队之后，系统能够承担更多工作。Co-Scientist展示了这层协同怎样运作，Argon和近期的内部进展，则说明它可能在哪里发挥作用。
Co-Scientist：让不同角色共同推进一个问题
复杂研究很少靠一次回答完成。
提出想法之后，还要寻找漏洞、比较方向，再决定哪些值得继续投入。Google此前公开的科研协作系统Co-Scientist，把这些工作分给了不同Agent。
研究人员提出目标后，监督者Agent安排任务和分配资源。其他Agent分别生成假设、批评方案、比较优先级，再据此改进候选。研究人员也能在过程中补充自己的想法与反馈，外部实验则检验最终提出的研究方向。
这里的协同，不只是多个Agent同时工作。生成者提出的方案会成为评审者的对象，评审结果又会影响后续修改和资源分配。不同角色的工作彼此改变，才形成一段能够反复推进的研究过程。
这让更多计算有了具体用途：一部分扩大探索范围，一部分筛选和改进已有思路，监督者Agent决定接下来做什么。Co-Scientist仍是研究辅助系统，但它已经把“AI团队怎样工作”从一句设想变成了可以观察的安排。
一个模型能回答多难的问题，与一组Agent能持续完成多复杂的工作，并非同一个问题。协同层尝试扩展的是后者。
10月的新尝试：团队还能根据反馈调整分工
如果分工可以提高复杂任务的完成能力，接下来的问题就是：团队遇到新情况时，能不能改变自己的组织方式？
10月22日，Google Cloud公开的研究参考架构Project Chrysalis展示了一种尝试。在模拟的突发流量故障中，系统先处理问题，再分析哪些动作有效，随后提出增加一个专门调节流量的Agent。工程师批准后，新角色被接入协作网络，与原有诊断Agent并行工作。
这里的进展，是一次任务的反馈开始影响下一次怎样分工。系统发现流程中缺少一种能力，就提出增加对应角色，让团队适应遇到的问题。这仍是模拟演示，不能视为Google全公司已经采用的生产成果，但它延伸了Co-Scientist所展示的思路：协同不仅要组织已有角色，还可以探索怎样改进这套组织方式。
因此，10月20日的访谈与之后的材料能够接起来。Pichai提出方向，具体项目则让人看到Google正在怎样尝试实现它。重点落在Agent之间的关系怎样改变，而不是又发布了几个Agent。
这层协同，可能改变Google自身的研发速度
多Agent协同对Google的意义，还在于它可能改变Google自身开发技术的速度。
现有模型如果能组成持续工作的团队，就有机会承担更多研发中的探索与实现工作，帮助研究人员开发后续系统。
Argon的内部工程项目提供了具体背景。Argon是Gemini 4系列的前沿模型，Google用它组成AI团队承担重要任务。9月30日的官方披露中，一组Agent分析运行数据并实施内存优化，相关改动已经上线；其他Agent承担代码迁移，范围延伸到超过80万行的系统内核。
代码迁移就是改写已有代码，同时保留原来的功能。它涉及大量依赖，改动也要经过测试和工程师检查。这个案例的价值，在于AI团队已经开始处理真实系统中的复杂工作，为协同路线提供了实践基础。
10月28日，Pichai在财报电话会上又披露，Chrome、广告和搜索团队已使用Argon编写、优化代码。他还表示，AI正在帮助提高模型训练与发布速度，并预期未来十二个月继续加速。这更新了访谈之后的内部采用情况，但公开材料尚未拆出多Agent协作各自带来了多少收益。
如果这种工作方式能在研发中持续发挥作用，就可能形成一条反馈。在这条反馈中，现有模型会帮助团队更快探索和实现新想法。研发得到的新模型又能承担更复杂的任务。研发提速由此成为协同层的一项潜在价值，而不只是一次任务节省了多少时间。
Pichai设想的个人多Agent系统，则把同一思路延伸到用户身边。后台可以有不同角色分工，但用户交出的目标必须被连续推进，最后合成一个完整结果。内部研发与个人产品的任务不同，都需要这层协同把模型、工具和中间成果接起来。
Google已经给出了研究分工、工程采用和调整团队结构的不同尝试。它们还没有证明多Agent适合所有任务，也不意味着AI已能自主研发下一代模型。它们让Pichai的判断有了具体内容：AI的下一阶段，除了模型本身继续变强，还取决于怎样把这些能力组织起来，让一支AI团队承担更长、更复杂的工作。