当团队不断壮大，“我们如何交换知识”这个问题几乎总是靠自发方式解决：有人在公共聊天里发言，有人做笔记，有人更偏好私下交流。而正式的规范要么根本没有，要么是从上一家公司照搬过来的。arXiv 上的一项新研究提示，手动设计这类规则可能并不是最有效的路径——至少在涉及集体寻找解决方案时是这样。
这到底在讲什么
集体智能——无论是科研小组、工程团队还是开发者社区——在很大程度上取决于知识传递的过程。究竟是谁在分享信息、分享什么、与谁分享、在什么时机分享——这一切都决定了群体多快能达成解决方案。这类过程一部分会从参与者的个人习惯和认知特点中自发形成，但也可以自上而下地有意设定。
迄今为止，关于知识传递对群体成果影响的研究，主要是通过网络结构的视角进行的：改变谁与谁相连、交换发生的频率。这种方法很方便，但有一个根本性的局限。
网络模型的问题
网络无论多么复杂，都不知道参与者的状态。它无法决定“就把这个现在传过去，因为同事正好卡在相关的子任务上”，也无法决定“先压住信息，等群体积累了足够的上下文再说”。拓扑结构描述的是渠道，而不是内容和时机。
换句话说，经典模型回答的是“谁与谁”的问题，却忽略了“什么和何时”的问题。而恰恰是后者，往往决定了交换是有益的还是会变成噪音。
考虑状态的协议
论文《Discovering Adaptive Transmission Programs for Collective Innovation》的作者提出，将交换规则形式化为对状态敏感的程序（state-aware programs）。这样的程序会根据当前的情况来路由信息和资源——某个具体智能体知道什么、整个集体处于什么状态。
这转移了重点：不再是“画一张关系图”，而是“写一个算法，让它在每一刻决定谁该把什么传给谁”。当然，这样的算法无法手动设计——可能规则的空间极其庞大，而直觉在这里是个糟糕的顾问。
如何寻找合适的规则
针对集体发现这一任务，研究者采用了进化搜索，由语言模型来提示前进方向。本质上，LLM 充当假设生成器：提出各种协议方案，而进化机制则筛选出那些真正改善群体结果的方案，并在此基础上产生下一代。
这种共生在现代研究中并不罕见，但这里重要的是结果：在搜索过程中找到的协议超越了文献中的标准基线，而且集体生产率的提升高达 37%。这不是表面上的改进，而是“团队正常运作”与“团队明显运作得更好”之间的差别——在成员构成和任务都相同的情况下。
诚实的检验
漂亮的数字很容易偶然得到，因此作者进行了消融实验——也就是逐一移除所找到协议中的各个元素。最具说服力的结果：如果保留网络的拓扑结构和交换的时机，但去掉对内容和状态的依赖，优势就完全消失了。
这正是这篇论文的核心论点。带来提升的不是巧妙设计的关系结构，也不是恰到好处的时间安排，而是对参与者内部和群体内部所发生事情的敏感性。消融实验排除了替代解释，只留下一种。
这在单一任务之外是否有效
第二个重要结果是可迁移性。进化出的协议在领域变体发生变化以及智能体群体被替换时仍保持有效性。换句话说，找到的规则并非针对某个狭窄的具体场景量身定制，而是反映了关于群体中应如何分配信息的某种更普遍的东西。
这对真实团队意味着什么
作者的结论是：有效且可泛化的知识传递协议可以在 in silico（即在模拟中）找到，甚至在它们出现在真实团队之前。这为 AI 辅助设计协调基础设施开辟了道路——即那些提升人类集体智能而非取代它的规则、仪式和工具。
在实践中，这可能表现为：
- 交换规则不再是通用的。 不再是“所有人周五写报告”这样单一的规范，而是出现取决于工作处于哪个阶段、参与者已经知道什么的场景。
- 出现了对状态的需求。 要让协议运作，系统需要理解谁知道什么、卡在哪里。这已经是工具的问题——任务追踪器、知识库、文档系统。
- 规则设计成为一项独立任务。 不是“照搬邻居的”，而是“在模型上跑几个方案，看看哪个效果最好”。
需要说明的是：这篇论文发表在 arXiv 的 cs.AI 栏目，在 CogSci 2026 上做了展示，而据作者说，扩展版本仍在准备中。这里说的是基于模拟的研究，而不是明天就能在一个二十人部门里落地的现成产品。将结果迁移到真实组织是一项独立且并不简单的任务。
简而言之
知识交换协议不必手动构思，也不必照搬他人。只要不是按关系结构的美观程度来评估规则，而是按它们对参与者状态的敏感程度来评估，就可以自动搜索这些规则。在实验中，这种搜索使集体生产率提升高达 37%，而消融实验证实，关键恰恰在于对状态的考量，而不是拓扑结构或时机。目前这还只是模拟中的结果——但这个方向看起来很有前景。
