文章核心观点 - Sakana AI提出的AB-MCTS算法通过多AI模型协作解决问题，其核心思想是“不同思想的协作能产生最伟大的成就”[1][38] - AB-MCTS在ARC-AGI-2基准测试中表现优于单一模型，多模型组合解决30%谜题，而顶尖独立模型仅解决23%[35][36] - 算法已开源为TreeQuest，结合深度搜索与广度搜索策略，动态平衡探索与利用[6][9][12] AB-MCTS算法原理 - **基础机制**：允许节点重复扩展并引入GEN节点，突破传统MCTS的固定分支限制[10][11] - **搜索策略**：通过贝叶斯后验预测和Thompson采样自适应选择“拓展宽度”或“深入挖掘”[12][27] - **技术变体**： - AB-MCTS-M采用分层贝叶斯推断共享子树信息[17] - AB-MCTS-A通过共轭先验简化计算，显式分离生成与优化动作[17] 基准测试表现 - **综合性能**：在LiveCodeBench、CodeContest、ARC-AGI等测试中平均排名最高，优于重复采样、序列优化等基线方法[15][16] - **任务适应性**： - LiveCodeBench：小预算时即超越基线[19] - CodeContest：预算≥32时表现更优[19] - ARC-AGI：与重复采样性能相当，动态扩展搜索范围[20] - **扩展性**：预算增至512时，AB-MCTS性能持续提升，而重复采样趋于平稳[29] 自然启发的研究路径 - **理论基础**：受生物进化与集体智能启发，从“混合创造”转向“混合使用”现有AI[38][39] - **延伸成果**：与哥伦比亚大学合作开发达尔文-哥德尔机（DGM），通过开放式搜索实现AI自我进化[41]