多智能体AI创造力碾压人类团队？1.5倍断层优势与语义轨迹揭秘
Multi-agent AI systems outperform human teams in creativity
长期以来，创造力被普遍视为人类智能的“终极前沿”。即使大语言模型在标准化考试和代码生成上屡创佳绩，生成兼具新颖性与实用性的绝妙点子，似乎仍是人类独有的特权。
ArXiv URL：http://arxiv.org/abs/2605.17885v1
然而，一项由微软亚洲研究院、剑桥大学等机构联合发布的研究彻底打破了这一固有认知。该研究通过大规模实证对比证实：多智能体团队在创造力上不仅超越了单一智能体，更以极其惊人的优势碾压了人类团队。
这种超越绝非依靠微弱的概率取胜，而是呈现出高达 $d=1.50$ 的巨大统计学效应量。为了探究这道鸿沟背后的根本原因，研究团队开创性地运用了“语义轨迹”分析法，为我们揭开了AI生成颠覆性创意的底层运作机制。
绝非死记硬背：六大任务下的断层级表现
要令人信服地比较AI与人类的创造力，首先要排除模型是在“背诵”训练数据的嫌疑。为此，研究人员精心设计了六项高度复杂且截然不同的创意解决任务。
这些任务既包括应对塑料污染、教育不平等这样的宏大社会挑战，也涵盖了供应链优化、员工流失等真实商业难题，甚至还包含了极其罕见的假设性场景（例如“歉意大流行”或“在淋浴时唱歌”）。这种跨领域的任务设计，逼迫参与者必须进行新颖的组合式生成，而非单纯检索记忆。
研究团队共收集了4541个多智能体生成的想法，以及341个人类团队的产出。为了保证评估的绝对公正，避免评委被AI特有的“说教语气”或华丽辞藻所影响，所有输出都经过了严格的脱敏与标准化处理。每个想法都被剥离了修辞特征，重写为约100字的客观第三人称短文。
随后，不知情的独立评委采用标准的一致性评估技术（Consensual Assessment Technique, CAT）进行盲评，将创造力定义为“新颖性”与“实用性”的乘积。
结果表明，LLM团队在整体创造力上完全占据主导地位，其核心优势源于极高的新颖性（$d=1.29$），同时在实用性上并没有打折扣（两者表现相当，$p=0.142$）。这种断层优势甚至在头部创意中更为明显：排名前5%的顶级想法中，LLM团队的平均得分为 $M=0.53$，远超人类团队的 $M=0.37$。
语义轨迹分析：揭秘AI的跳跃式心智
为什么多智能体系统能产生如此具有突破性的点子？为了量化创意的生成过程，研究者开发了一套语义轨迹（Semantic Trajectory）分析框架。
要理解这个极具启发性的框架，我们可以将所有已知概念的集合想象成一片无边无际的“语义森林”。团队在此过程中进行的每一轮对话交流，都在神经网络的嵌入空间（Embedding Space）中留下了一个坐标，连起来便构成了一条探索路径。在这个隐喻下，提出极具创造力的想法，就是在森林深处寻找到未知的宝藏。
研究提取了包括路径长度、语义扩展度、最大距离、全局连贯性在内的九大轨迹特征。分析揭示了一个关键共性：无论是人类还是AI团队，要想产出高创造力的想法，对话就绝不能一直在单一主题上原地打转（即两者都需要极低的全局连贯性，LLM为 $\beta=-0.400$，人类为 $\beta=-0.463$）。
但在偏离核心主题之后，AI与人类展现出了截然不同的“寻宝策略”。
多智能体系统仿佛是一支掌握了空间传送技术的探险队。它们得益于极高的探索效率，在几何特征上表现为极大的语义传播范围和更短的绝对路径长度。AI能够轻松跨越常人的思维盲区，进行大跨度的概念跃迁。例如，在一个关于塑料垃圾的高分创意对话中，AI团队的讨论从“经济激励”瞬间跳跃到“区块链”，接着又跨越到“生物技术”和“活体生物”。这种跳跃直接打破了常规思路，造就了高新颖度。
相比之下，人类团队更像是必须徒步开荒的探险队。人类的创造力极度依赖于维持顺畅的沟通心流。在轨迹特征上，人类团队迫切需要高局部连贯性和频繁的平滑转向。如果某个成员的想法跨度太大，团队的沟通逻辑就会断裂，导致协作失败。人类必须小心翼翼地、一步一个脚印地维持对话的连贯性，这在无形中限制了他们探索广阔语义边界的速度与深度。
工程设计启示：杠杆与脚手架悖论
对于致力于开发多智能体系统的工程师而言，这项研究提供了极其宝贵的实操指南。研究证明，模型选择和讨论结构是两个正交的“设计杠杆”，它们共同解释了LLM对话动态中高达26.8%的方差。
人多未必力量大与角色设定的迷思 实验明确指出，将团队规模从三人增加到六人，不仅无法提升整体创造力，反而会因为协作开销带来“过程损失”。此外，给不同的Agent分配细致的“角色人设”，虽然能让产出的想法更加落地（实用性提高），但代价是新颖度的大幅缩水，整体创造力得分并未因此提升。在创造力系统中，并不存在免费的午餐。
脚手架悖论（Scaffolding Paradox） 不同的模型对讨论结构的响应截然不同。对于诸如 GPT-4.1 等标准模型，它们极度依赖外部的对话脚手架。引入强制的迭代讨论和相互批评结构，能将它们强行推向更深远的语义空间，从而带来高达37.4%的创造力飞跃。
然而，对于具备强大内部思维链的推理模型（如 o3-high），复杂的讨论结构带来的收益微乎其微（仅为+4.0%）。这是因为推理模型在输出结果之前，已经在其内部的高维隐空间中完成了深度的自我探索，它们不再需要外部的沟通机制来强制发散思维。
局限性与混合团队的未来
尽管AI在这一领域的表现令人惊叹，但我们仍需客观看待研究的边界。本研究对创造力的操作性定义聚焦于“解决具体问题”，即强调新颖与实用的结合。如果将其应用到纯粹的审美评判或旨在颠覆既有范式的理论科学研究中，目前的评估指标可能需要做相应的调整。
更重要的是，这项研究对比的是纯人类团队与纯AI团队，并未探索人类与AI协作的混合场景。在未来的实际应用中，如何巧妙地将人类的“徒步稳健探索”（隐性知识与社会直觉）与AI的“大跨度空间传送”（海量知识重组）结合起来，将是下一个亟待攻克的难题。
通过将虚无缥缈的“寻找灵感”转化为可通过几何学量化、可通过工程参数调节的“语义轨迹探索”，这项研究为我们打开了一扇全新的大门。在这个创造力的竞技场上，多智能体系统已经证明，它们并非只是鹦鹉学舌的模仿者，而是掌握了独特创新机制的强悍开拓者。