哈佛教授 David Parkes：全球化生产一支铅笔后，世界的目光看向了 AI

AI 不再独行，智能开始寻找秩序。

作者丨吴思梦幸丽娟

编辑丨岑 峰

一支普通铅笔，可能是人类协作史上最微小，却也最复杂的奇迹之一。

没有任何一个人能完整描述它的制造过程。有人开采石墨，有人砍伐木材，有人生产橡胶，有人制造机器，再通过全球供应链将这些环节连接起来。数千个彼此陌生、甚至语言、文化和信仰完全不同的人，最终共同完成了一件看似简单的物品。

经济学家 Milton Friedman 曾用一支铅笔解释市场如何组织人类协作：没有中央指挥者，没有统一调度者，分散在世界各地的人们依靠一套无形机制完成了一场庞大的协同。

事实上，Friedman 并非这一思想的最初提出者。他引用的是经济学家 Leonard Read 于 1958 年发表的文章《I, Pencil》。

Leonard Read 《I, Pencil》

几十年后，哈佛大学 John A. Paulson 工程与应用科学学院院长、George F. Colony 计算机科学教授David C. Parkes在 IJCAI 2026 的约翰·麦卡锡奖（John McCarthy Award）获奖演讲中重新播放了Friedman 的这段视频。

只是这一次，问题已经从"人类如何协作"变成了一个更接近未来的问题：当参与协作的不再只是人，而是越来越多能够自主行动的 AI 智能体时，它们又该如何共同完成任务？

作为 AI 与经济学交叉领域的重要研究者，IJCAI 2026 的颁奖词这样写：表彰他在 AI 与经济学交叉领域的基础性贡献，尤其是开创性地设计了在高风险多智能体环境中确保效率、公平和激励相容的算法机制。

Parkes 长期探索一个核心问题：如何设计机制，让拥有不同目标、不同信息和不同利益的智能体能够有效协作。从组合拍卖（combinatorial auctions），到动态机制设计，再到利用机器学习自动设计经济系统，他试图回答的始终是同一个问题——如何组织智能。

过去几十年的 AI 发展，很大程度围绕着如何创造更强大的单一智能。从专家系统，到大模型，再到具备规划和执行能力的 Agent，AI 正逐渐从"回答问题的工具"变成"能够参与行动的主体"。

但一个真正由智能体组成的世界，挑战可能并不在于某一个 AI 是否足够聪明，而在于不同目标、不同能力、不同利益的智能体，如何在没有中央控制的情况下共同工作。

Parkes 在演讲开场提出了一个大胆的前提：不妨先假设，我们无法直接构建一个真正意义上的通用智能体。那么，下一个问题是什么？

也许未来 AI 的关键竞争，并不是创造一个无所不能的超级智能，而是建立一套让无数智能体能够共同运行的组织机制。如果市场曾经帮助人类组织协作，那么 AI 社会又需要怎样的新规则？

以下是雷峰网对 David Parkes 在 IJCAI-ECAI 2026 大会上发表的约翰·麦卡锡奖获奖演讲精编稿，本文基于原英文演讲内容进行了不改变原意的翻译编辑。

▎From Intelligent Agents to Agent Societies

主讲人：David C. Parkes，哈佛大学 John A. Paulson 院长兼 George F. Colony 计算机科学教授，IJCAI 2026 约翰·麦卡锡奖得主

01

铅笔里的全世界

非常荣幸获得这个奖项，也谢谢大家容许我挤进"中期职业"这个类别。我想先感谢 Nick Jennings 昨天那场精彩的演讲——你们会发现，它和我要讲的恰好互补。

我从未见过约翰·麦卡锡（John McCarthy），但从访谈里看，他给我的印象是一个谨慎、乐观、谦逊的人。这是他70年代的照片。当然，"人工智能"这个词归功于他；正是他倡议了后来成为1956年达特茅斯会议（Dartmouth Workshop）的那场聚会。

几年后，麦卡锡那篇著名的"接受建议"（advice taking）论文，设想了一种能接收建议、用演绎推理来解决问题的机器。后来他大量撰写和谈论"通用智能"这个新层级。但在这场演讲里，我想我们先做一个约定：假设我们造不出通用智能体。那接下来要问的是：下一步是什么？

我想指出一个被指出过很多次的事实——人类许多最伟大的成就，来自我们组织自身的能力，即：把专门的人组织进系统，去完成任何个人都无法独自理解或建造的事。我觉得接下来要给你们放的视频，是对一种特定组织形式的极有力展示。这段话出自很有影响力的经济学家米尔顿·弗里德曼，他是"通过市场来组织"这一力量的倡导者。

这实在不可思议。这支铅笔的木头来自华盛顿州砍下的一棵树。要砍倒那棵树，得用一把锯；要造锯，得用钢；要炼钢，得用铁矿石。这根黑色的笔芯，我不太确定它从哪来，但我想是南美某个矿里的。这个红色的小顶，也就是橡皮，大概来自一个连橡胶树都不是原产的国家的种植园，是某个商人当年在英国政府帮助下从南美引进过去的。这条金属箍，我一点都不知道它从哪来；黄色涂料，或者画出黑色条纹的漆，或者把这一切粘在一起的胶水，也一样。成千上万的人合作造出了这支铅笔。他们说的不是同一种语言，信的不是同一个宗教，要是真碰了面，没准还会互相憎恨。

你走进商店把它买下时，你实际上是在用你自己几分钟的劳动，换取那成千上万人每人几秒钟的时间。是什么把他们聚到一起、诱导他们合作造出这支铅笔？没有某个中央机构发布命令，也没有一个总指挥协调所有人的行动。是价格的魔力，那种非人格化的价格运作把他们聚到一起、让他们合作造出这支铅笔交到你手上。你自己试着画一支看看。你大概再也不会用同样的眼光看铅笔了。

我觉得这是一个极美的例子，说明了市场这种组织形式能达成什么。

02

从市场到多智能体AI

那下一步是什么？我认为是多智能体AI。昨天我们已经听过一场关于这个的精彩演讲，我想先指出：多智能体AI的最初构想可以追溯到1980年代，对我而言是1990年代中期。在我开始工作时所熟悉的那套构想里，我们把AI与人或公司配对——一对一。每个AI代表那个人的利益、那个公司的目标。如果你愿意，可以把这种构想理解为：智能体是人的代理（proxy）。

但今天，我认为可以说得更多了——世界本身正在朝更接近这个图景的方向走，而且出现了人与公司。有一点很明显：现在AI模块的数量，已经远远超过了真实世界实体的数量。所以我们显然正在离开"一个智能体对应一个真实实体"的世界。这一点我后面会再回来。

在演讲的主体部分，我想讲四个方面——四个我做过、也想借此审视的组织设计问题。

03

游戏规则：机制设计与策略防伪

我1995年开始读博，我的导师和 Michael Wellman、Tuomas Sandholm、Jeff Rosenschein 的那些最早期的论文，是我学术成长期读到的。我正好在多智能体系统作为一个领域兴起时长大。我想从我读到的、深受启发的 Jeff Rosenschein 的工作讲起。

1994年，他写了一本我知道在座有些人读过的书，叫《相遇的规则》（Rules of Encounter），很有影响力，也启发了我今天在这的工作。Jeff 预见到需要设计"规则"——我们也叫机制（mechanism）——来协调多个AI的行为。他设想：如果智能体是理性的，会发生什么？我给你一个他描述的问题的简单例子，叫"邮局问题"（post office problem）。

有两个信使，Agent 1 和 Agent 2。Agent 1 要把邮件送到地点 b 和地点 f；Agent 2 要送到地点 d 和 e，然后回邮局。你能看到，就 Agent 1 的送货任务 b、f 而言，它最好的做法是绕世界一大圈，成本是8；Agent 2 最好也得跑到 e 再回邮局。Jeff 考虑的那个机制，你可以叫它"共赢规则"：它要求智能体报告自己的任务，然后寻找成本最小的任务分配方式——前提是，不让任何一个智能体干得比它原来更多。在这个例子里，你可以把所有任务都交给其中一个智能体，于是从一个每个智能体都干8分钟的解，变成一个其中一个智能体仍干8分钟、但双方都比最初更开心的解。

但 Jeff 观察到的问题是：Agent 1 通常可以隐藏任务 b。想想看，如果它说"我只报告任务 f"，机制会说"好吧"，然后把这两个被报告的任务都交给 Agent 2——反正 Agent 2 反正都要绕世界一圈，何不顺便也把 f 交给它做？于是 Agent 2 永远得干绕世界一圈的活，Agent 1 只用送自己藏起来的那个任务 b。这比 Agent 1 老老实实报告两个任务成本更低。你看到，不仅 Agent 1 可以博弈，而且最终解的质量，比它如实报告时还要差。

对我们来说，可以把交互规则称作"机制"。希望你已经有点直觉，为什么这些规则很重要。这背后有一条悠久的传统，可以追溯到 Hurwicz 1960年的工作。极简地想：有一个智能体组成的系统，还有一个中心（center）。智能体向中心报告自己的私人信息——不一定如实；中心按照机制规则决定结果；最后这个结果在系统中被执行。

你要寻找的最经典的性质，是策略防伪（strategy-proofness）：如实报告私人信息，始终是智能体的占优策略（dominant strategy）。在此之上，你还会追求价值最大化、公平、利用率最大化等等。

回到我之前展示的那张图——我们有一个AI、一个人。我们希望人或公司把偏好报告给自己的AI，AI再代表它在世界上、在机制里行动。策略防伪带给我们的保证是：我们知道参与机制的那个AI智能体有一条简单而理性的策略，就是如实。所以，作为人，你可以放心把真实偏好告诉你的AI——你知道它会恰当地、最终代表你利益地行动。这就是我们喜欢策略防伪的原因。

给你一个非常简单的例子。我午餐刚吃过，不会让你们看饿。这是一根香肠。假设 Thomas 和 Jeff 分别给它估值10欧元和5欧元。一个非常经典的机制是第二价格拍卖（second-price auction）：把香肠卖给出价最高的人，但以第二高价成交。如果两人都如实，Thomas 对他的AI说10，AI转而向机制报10，结果是 Thomas 赢，付5。你以最高出价赢，但不付你报的价，而付第二高的价。

想一下，你大概能获得直觉，为什么这是策略防伪的：Thomas 报10，设定了他愿意付的上限，但他只需付"刚好够赢"的金额，他不必去猜另一个人的价位。

我不展开细节，但这个维克雷拍卖（Vickrey auction）著名地推广为维克雷-克拉克-格罗夫斯机制（VCG），并进一步推广到一般场景。

04

组合拍卖：伦敦公交与多轮机制

机制设计在经济学里被研究得非常透彻，这些是你会关心的性质。而从2000年代初开始——我认为它清晰地呼应了包括 Jeff Rosenschein 在内的早期工作——很多人开始问：我们希望机制也具有良好的计算性质。计算机制设计（computational mechanism design）就处在这个交叉点上：既要好的经济性质，也要好的计算性质。

我给们两个例子。第一个是组合拍卖（combinatorial auctions），这是我读博期间做、后来又做了几年的工作。这是伦敦的公交网络，非常复杂，有数百条线路。从1990年代起，伦敦用拍卖来分配城市公交运营权。如果你是一家公交运营商，你可以投标运营某些线路的打包。他们用的是所谓组合拍卖，你可以说我要运营城市这片区域的线路——你能想象，运营同一片区域的线路，对你可能有成本上的协同好处。有数百条线路，我们不能指望一家公交公司能对所有可能的线路组合都报出价值。

那怎么办？把线路交给它们的AI智能体，AI再知道如何在复杂的拍卖机制里参与。还是那张图——AI智能体、人、运营伦敦公交的人，智能体需要从它代表的公司那里引出信息。问题在于：在引出如此困难的前提下，如何找到线路的最优分配，而不需要公司把偏好完全告诉它的智能体？

再用午餐的食物举例——这里是20种拉面的食物特产，假设我们在拍卖这些。我们可以用一个多轮机制，不要求每个人把对所有组合的估值函数都报全。要理解它怎么工作：假设最初我们只问每个智能体——这里我画了三个——只问它们"如果你什么都能拿到，你最想要什么？"。

显然，如果每个智能体想要的都不冲突，那就是价值最优的分配——人人各取所需，没有竞争。这给你一种直觉：我不需要知道每个人对所有组合的精确估值。

我们通常没这么走运。一般会有过度需求——它们最初可能都指向这些组合，你能看到竞争。于是我们要设计一个多轮机制，小心翼翼地涨价，让大家根据新价格调整自己想要的需求。可以证明，只要做法正确，当需求在这些价格下不再冲突的那一刻，我们就得到了价值最优的分配——而这一切都不需要你对智能体的估值了解多少（至少在典型情况下）。我还没讲激励，但那就是我提到的 VCG 机制的思想。这是第一个计算机制设计的例子。

05

动态机制：咖啡馆里的实时决策

第二个例子是动态机制。我用一个场景来引出：假设我们在给不断进咖啡馆的人分配食物饮料。人到达、离开，到达时对菜单上的东西有偏好；可得的食物也在变；构成系统的人也在变。这承认了经济学里"用机制做一个决策"那张高度风格化的图——它承认，我们AI研究者感兴趣的许多系统，比那要复杂得多。

问题是，我们能否设计动态机制，让它根据不断变化的信息做一连串决策？很自然的做法是：如果你愿意把每个智能体——这里把智能体理解成顾客——建模成一个 MDP（马尔可夫决策过程）：它到达时有个状态，状态刻画它想吃什么喝什么；它有奖励函数，可以采取"吃""付钱"等行动；中心也可以选择行动。于是我们有一个动态机制：系统中每个智能体有私有状态、能采取行动、收到奖励（可能取决于自己行动、他人行动、中心行动），状态按某种转移更新。

关键是那条粗黑线——我特意画粗了，机制看不到。机制只能依赖报告。机制拿到报告的状态，用策略决定要执行的指令（比如给这个智能体分配食物），而中心的实际行动又影响智能体的奖励和下一个状态。如此往复。我们2000年代初做过这个工作：你可以把策略对应到机制上，并把这一切搭起来，使得系统中的智能体自愿如实报告自己的状态。这样你就把激励与最终策略对齐了，促进了真实分享。这是我想分享的第二个计算机制设计的例子。

06

让AI设计规则：

可微经济学与菜单式机制

几年后，在哈佛，Michael Wellman 和 Tuomas Sandholm 开始用"用AI来设计机制"的想法。到目前为止，我们更多是在用AI把机制操作化；而这，是用AI来设计规则本身。在 Wellman 的研究纲领里，它被称作"经验机制设计"（empirical mechanism design）；在 Sandholm 那里，它被称作"自动化的"（automated）。

你可能会问，为什么我们要对用AI设计系统规则感兴趣？简单回答：经济学理论里那些被解析地理解、设计出来的漂亮机制，只有寥寥几个——真正重要的问题里，有最优解析解的，也就那么三件事。所以想法是：与其用数学做英雄主义、为我们关心的问题找新的最优机制，不如用AI去发现系统的规则设计。

我给两个例子。第一个是自动拍卖设计。我们从2017年左右开始做的工作，用深度神经网络来表示机制的规则，神经网络以智能体的报告为输入，输出对结果的描述（资源分配和支付）。网络表示交互规则，由数据参数化；问题是：我们能否学到具有良好经济性质、表示为神经网络的机制？我们会从一个已知的估值分布里采样作为数据，按当前网络得到结果，定义损失函数，然后用梯度下降。

我想强调这是无监督学习，我们只需要设计损失函数，不需要 Roger Myerson 或 William Vickrey 来手把手教我们。

这个机制不提供监督学习，但关键挑战在于：找到一种约束架构、约束我们学习的假设类的方法，来实现策略防伪。我不想要任何网络，我要一个策略防伪的网络，理由前面讲过。我们把这叫"可微经济学"（differentiable economics），用神经优化来做经济设计。问题是：如何约束架构来实现这一点？我给点直觉。

假设先只有一个智能体的机制。我要通过给它一个固定菜单来设计机制：咖啡3块，热狗8块，曲奇2块，等等。机制的工作方式是：AI报告人的偏好，机制按报告从菜单里挑最佳选择。想一下就能明白这是策略防伪的——你报告的是你对每样食物或食物组合的估值，你的报告不改变菜单，菜单是固定的；机制按你说的，代你挑你最偏好的。你应该如实。这个想法推广为"菜单式机制"（menu-based mechanism），适用于多个智能体。

关键洞见有两条：第一，每个智能体在机制里面对的菜单，与它自己说什么无关；第二，这个与它无关的菜单上，它会按自己的报告拿到最偏好的选项。不难看出这能带来策略防伪。事实上 Hammond 在1979年就证明了：一个机制是策略防伪的，当且仅当它可以被这样刻画成菜单式——这是必要且充分的。

可能有点难跟上，用香肠例子解释。我们拍卖香肠，两个智能体。我们拿 Agent 1 的出价来构造给 Agent 2 的菜单，拿 Agent 2 的出价来构造给 Agent 1 的菜单。具体说，Agent 1 报10，我们构造"第10号菜单"给 Agent 2，上面两样：要么以10拿香肠，要么什么也不拿。Agent 2 报5，我们给 Agent 1"第5号菜单"：要么以5拿香肠，要么什么也不拿。注意，这些菜单都不是看你自己的报告构造的——这是第一条性质。

然后我们看那个菜单、看报告的10，说：你要是愿意付10，你更想要第一项而非第二项，于是你以5拿到香肠；对第二个智能体同理。这是菜单式机制的第二部分。不难看出它能行得通。

真正棘手、也是我花了很长时间和团队一起攻克的，是还得满足另一条性质：菜单兼容性——两个智能体不能都想要同一件东西，否则没法实现、不可行。所以这些菜单还必须在各自想要的东西上不冲突。

我们证明了怎么让这个想法可行：用一个有多个组件的深度神经网络，每个组件对应一个菜单网络，比如 Agent i 的菜单网络，输入是其他所有智能体的报告，输出一个菜单，再按 Agent i 的报告挑最佳选择作为结果。多个组件一起训练，损失函数兼顾收入，也试图最小化我说的那种冲突。虽然不能把冲突消解做得完美，但可以在一个后训练步骤里对学到的菜单略加扰动。有点像把它们拆开再拼回去，就能处处保证菜单兼容，这样我们就能用学习来自动发现新机制。

07

自动合同设计：

道德风险与不连续网络

第二个自动机制设计的例子，方向不同，我觉得对后面要讲的智能体社会类型会相当重要——这就是自动合同设计。我们现在已经熟悉一个想法：智能体不再只是我们的简单代理，可能有多个智能体在替我们工作；而且智能体还会在世界上采取行动。比如我想要一个智能体替我找会场附近的餐厅：它应该看评价、确认有没有素食、查价格、查是否有空位、再订位。

这引出另一个经典经济学问题——道德风险（moral hazard）。这是经济学术语，指：如果我观察不到你采取的行动，我怎么知道你不会偷懒、不花力气确认？正是这种激励不对齐的问题，导致了经济学里的合同设计。

经典例子：你是房东，夏天把房子租给租客，你担心租客弄坏房子，于是你写一份合同。租客（智能体）采取你看不见的行动，你只能到夏天结束时看到这些行动的结果；租客的行动影响房东（委托人，principal）的效用。

新概念：房东是委托人，智能体在采取行动，但委托人只能看到结果。委托人会提供合同，智能体可以拒或接；智能体采取隐藏行动，产生结果，给委托人带来价值或成本，然后委托人按合同付款。

我们想问的是：能否做自动合同设计？总体思路如下。合同的参数记为 θ，假设合同由 θ 参数化；假设我们有一个学习系统，能访问到"给定一个合同设计，智能体会怎么做"——也就是最大化智能体效用的行动 X* 是什么，那个行动会导致什么结果。机器学习系统能模拟到这种程度：它只要能预测给定合同设计会产生什么结果就行，不必看清盒子里怎么运作。由此我们定义效用函数：基于合同设计数据，委托人的效用是某个值，取决于智能体采取的行动；我们想学的，是把"合同设计"映射到"委托人效用"的函数。

关键在于：在某些合同参数下，智能体的行为会突变。你处在那种刀刃上，智能体的效用刚好在"保护出租屋"和"开个疯狂派对"之间平衡，你把合同稍微再调一点，智能体的最优反应就变了，委托人的效用也就变了。而合同本身还会给委托人带来成本，所以最优合同就在那个断点处，那是使委托人效用减去所付成本最大的合同。挑战是：效用函数是不连续的，而这会阻碍学习。

我们在这项工作里做的是：委托人的真实效用函数，z 方向是委托人效用，x、y 是两种结果的支付，所以 x-y 平面是合同设计空间，z 是委托人效用。你会看到我描述的那种不连续。ReLU 神经网络是连续的，所以它对这种不连续的委托人效用函数拟合得很差。

我们引入了"不连续 ReLU 网络"（discontinuous ReLU network）：在 ReLU 的基础上引入一个依赖网络激活模式的偏置项，这给了我们一个不连续的分段线性函数——正是我们建模委托人效用函数所需要的。学完委托人效用函数后，再在合同空间里搜索。这就是第二个自动机制设计的例子。

08

智能体社会：

从一对一走向开放系统

以上是四个小例子，可以看作"多智能体系统组织研究"的四个插曲。剩下的时间，我想往前看。我前面说的旧范式——我读博时理解的那个范式——是这样的系统：AI 与人或公司一对一配对，智能体理解人在乎什么，然后以某种自动化方式交互；我们喜欢策略防伪机制，因为它简化了智能体面对的问题、让智能体能理性行动；又因为人知道自己的智能体会做对的事，人就会选择如实、与智能体分享信息。

我第一次参加 IJCAI 是1999年，参加的是"中介式电子商务中的智能体"工作坊。我觉得"中介"（mediated）这个词基本说明了一切：智能体作为代理，替你在经济系统里行事。但此后出现了新变化。第一，世界现在是机器可操作的（machine actionable）——所有这些东西现在都能通过软件访问。第二，AI 正变得能在这个世界里行动：我们有了基础模型和智能体AI，这些模型开始能理解指令、使用软件工具、调用 API、采取行动。想想20年来的历史弧线，这或许不意外，但这确实是个变化——AI 能以丰富的方式在机器可操作的世界里行动。

所以当我谈到"智能体社会"（agent society），我脑海里的是一个开放系统：有很多AI智能体、很多委托人、很多人、很多AI委托人。AI 可能会请求其他AI做事，与彼此、与世界交互。它正在离开"智能体与人一对一绑定"的图景，走向更复杂的东西——智能体有异质的能力、信息、目标；智能体现在是系统里的主动参与者，甚至能创造其他智能体。

09

五道难题：

规则、观察、验证、资源、控制

在我看来，人类经济系统面临的所有挑战，在这种AI社会的经济系统里也会面对：逆向选择（adverse selection）——你不知道所签智能体的真实能力；道德风险——你观察不到你签约的智能体在不在干活；去中心化——你不知道偏好、目标或数据；还有大量潜在的战略行为、紧张、协调、合谋（我们最近在新闻里看到一些这类故事）；资源争夺；以及对机构和公司进行人类控制的需求。这引出几个我觉得很重要、也建基于我前面分享内容的研究方向，都不容易，我简要各讲一点。

第一，交互规则。交互规则的意义在于：在信息缺失、激励错位的前提下，促进理想行为。我觉得这里有一件我认为是AI社会或智能体社会所独有的、非常有趣的事——因为它是计算机中介的，我们有机会做上下文特定的、可替代的机制设计。我们不必用固定机制。我设想的是：智能体聚到一起，要解决的头一个问题——如果它们选择这么做——就是先选一个用来交互的机制。这不会容易。明显的挑战在元层面：机制设计里会有操纵、机制运行里也会有操纵，而我们怎么就"该用哪个机制"达成一致？但我觉得这是个非常有趣的方向。

第二，可观察性。我们需要尽可能多地观察系统里智能体在做什么。如果能改善对行动、努力、投入、使用的可观察性，我们就有更多可签约的东西——记住，合同能约束的是可被观察的事。观察得越多，合同就越有效。我看到的机会是：设计监控智能体（monitor agents），激励它们去观察其他智能体、做准确报告、聚合信息。挑战是防止混淆、防止智能体操纵那条信息流；还会有 task agent 和 monitor agent 合谋的担忧。

第三，可验证性。如果智能体能为其他智能体提供证明、解释或证据呢？我觉得"智能体向智能体解释""智能体向智能体证明"，会变得同样重要。可以这样想：价值对齐（value alignment）是试图让理性的自利行动者表现良好的办法，但它是互补的——也许有些事，我们可以直接要求"你做对了"的证明。这里的挑战是：我们熟悉密码学里的工作量证明（proof of work），它通过比特币这类区块链被普及，但我们需要从"工作量证明"走向"有用工作量证明"（proof of useful work）。

第四，资源争夺。今天的AI、明天的AI都会消耗大量资源——希望比今天的AI少。我们怎么把有限的资源（计算、能源、推理调用）分配给价值最高的用途？我认为这里不会是单一机制包打天下，我们需要混搭，有的还是动态的，彼此之间也要通信。我还觉得，如果这件事做对了，其实能帮助AI安全，因为每消耗一次资源做一次推理都要付费，那你在 deliberating 时就会更谨慎。挑战在于：需要能收付款的鲁棒基础设施。

第五，也是我觉得最难的一个：人类对机构的控制。让人和公司对这些复杂的智能体网络保留控制，会非常重要。我们大概需要合适地把决策交回人类的方式，不该是持续检查，那太低效；需要给人类委托人以可见性。我们今天已经能看到围绕欺骗、未设计行为、所谓的"对齐问题"的一些挑战。这就是第五个重要方向，我想特别点出。

10

结语：AI社会需要制度

收个尾。我开场放了弗里德曼那段讲铅笔的视频，讲市场作为组织原则的力量。我相信，要实现稳健高效的AI，我们需要的不仅是多个AI——这将取决于我们是否有正确的制度结构。我们需要通过设计和工程化合适的制度，来组织这些AI社会，让智能体良好协作。

把这件事做对显然很重要。我希望已经能看出来：尽管我一直在谈"智能体社会""AI社会"，但显而易见的是，这个AI社会将嵌入在人类社会之中。所以把这件事做对，至关重要。

这是我演讲里涉及的一些论文。最后想感谢一些人。首先感谢我所有的博士生——没有合作者、没有实验室里和你一起工作的人，这些工作一件都不可能，我对我们共同完成的工作满怀感激。我的合作者们，谢谢。最后，向我的导师、同事、同辈和朋友、这些工作的共同作者们致谢。到此为止。谢谢。

11

Q&A 现场问答

▎问： 你描述的是这个世界的本来面貌吗？AI与人交互，与几千年来人与人签订合同相比，有质的区别吗？

答： 我想是有一些区别的。两个最明显的区别：第一，AI的交易成本比人低得多。我们进超市不讨价还价，因为那太贵了——这是区别之一。第二，我觉得我们总体上应该预期，AI 会比人更理性。所以博弈论和机制设计的经济理论，对AI系统大概比对人类系统更适用。

▎问： 谢谢这场演讲，你讲的一些工作，尤其是开放问题，让我想到最近的一些实验，比如 Mortal 和 OpenClaw，我不知道你有没有关注 Mortal 实验：有一堆智能体，里面也有个机制，然后出现了一些非常有趣的行为：其中一个最终发生的是，智能体们不再合作、不再协作，开始各干各的。我想知道你怎么看这些实验，以及它和机制设计的理论工作怎么对齐？

答： 对。我觉得那是一个非常有力、也令人担忧的例子，说明事情可以多么轻易地出错，我们正开始看到这类情况。它正好说明、也支撑了我今天列出的议程。我还想说，它也说明了学术界和工业界伙伴之间保持尽可能多对话的重要性——学术界确实需要知道工业界在发生什么，反过来工业界也能帮我们看向正确的方向。我们得在更长的时间视界上对齐，工业界就在干这个，而这种通过对话达成的对齐，对把事情做对至关重要。谢谢。

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了IJCAI 2026 参会群！进群你会解锁这些「福利」?

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

现场后援团：（会议期间专属开启）：到了会场也不用慌——

路线导航：场馆分布、报告厅怎么走，群里随时问；

议题共读：热门 session、Keynote 现场探讨，错过也能追；

Poster 汇编：现场海报精华整理，一键收藏不遗漏；

约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

? 进群传送门：扫码进群或添加微信Qvv0909777，备注：IJCAI+ 单位/学校+姓名+方向。

搞科研/搞技术，信息差很重要。

来，一起快人一步！

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。