智能横向扩展：Cisco 对“认知互联网”的构想——与 Vijoy Pandey 对谈

摘要

• Pandey 对前沿 AI 的核心判断是，行业过度押注于把单个“脑”纵向做大，却没有充分建设让专业化智能体横向协同思考的轴线。 他认为，共享意图、上下文、谈判和记忆，有望推动能够在无需人类介入的情况下解决真正新问题的系统出现：「集体永远大于个体」（“The collective is always greater than the individual.”）。对投资者而言，这意味着 AI 基础设施价值将有相当一部分从模型规模转向编排、网络、身份和治理。

• Cisco 已经拿出了可量化的证据，证明多智能体系统能够自动化复杂的企业运营。 CAIPE 是一个约20个智能体组成的站点可靠性平台，覆盖5+个接口、100+次工具调用和超过10个工作流；它将团队负荷降低了30%，让40%的任务实现全流程智能体化，并把响应时间从“数小时缩短至即时”。这是本期节目中最硬的近期 ROI 信号。

• AGNTCY 是 Cisco 面向多供应商智能体经济推出的开源底层方案，目标是提供发现、身份、通信和可观测性基础设施。 其目录支持按能力和声誉搜索，既支持以服务形式交付智能体，也支持交付代码，并采用分布式哈希表，让“没有任何人拥有这套目录”。战略价值相当可观，因为控制发现和身份的一方，也可能进一步控制声誉、安全、交易和定价。

• 企业自治的关键，在于用短时、任务专属的访问权限，替代长期有效的基于角色权限。 Pandey 提出的 TBAC 模型，只授予特定工具、任务或交易所需的最小权限，任务结束后立即将智能体恢复到基线权限。由于授权取决于理解语义交互，访问层本身必须推断意图：「一路到底都是 LLM」（“LLMs all the way down”）。

• Pandey 提议为概率型智能端点新增两层网络协议：第8层负责语法互操作，第9层负责语义或认知状态。 自然语言状态传输提供兼容性；压缩状态传输面向受限边缘设备；潜空间传输则有望在模型之间直接搬运整个 KV cache，绕过分词开销。实时认知网络将连接大量智能体，同时允许企业自行选择记忆基础设施。

• 性能提升带来的上行空间，同样对应着一个规模相当的监督难题。 Nathan Labenz 以潜在推理和每秒15,000个 token 的演示为例，说明智能体协作可能跑在人类理解之前；但 Pandey 反对人为降速。他给出的答案是让“认知引擎”充当加速器或守护天使，监控合规、安全、偏离和过度专业化——不过他也承认，概率型控制可能做到95%或99%，而不是100%。

• Pandey 预计，至少未来5年，企业智能体技术栈仍将保持结构性多供应商格局，因此开放互操作和护栏是刚需，而非可选功能。 ServiceNow、Salesforce、Microsoft、OpenAI、Anthropic、Google、Cisco 等不同所有者、拥有局部目标的智能体，必须共享认知。他对近期的判断非常明确：企业“未来5年内”不会得到一个包办所有职能的单一智能体。

精读

1. Pandey 将 Cisco 的 AI 机会定义为横向扩展系统

• Labenz 用“让信息在全球流动”（“moving information around the world”）这句话概括 Cisco，Pandey 基本认可，但强调 Cisco 具体聚焦4项业务：网络、安全、可观测性和协作。

• 面向 AI 听众时，Pandey 更愿意把 Cisco 定义为“分布式系统公司”。更大的服务器是在纵向扩展；把更多服务器联网组成算力集群，则是在横向扩展。现代工作负载两者都需要，但“分布式系统”这一框架把 Cisco 的优势放在了横向轴线上。

• 对 Pandey 而言，横向扩展不只是硬件层面的类比。它最终成为连接独立开发的智能的组织原则，让专业化智能体以集体形式运作，而不是把所有能力都塞进一个不断变大的模型。

• Labenz 提供了背后的政治动机：前沿 AI 正在越来越集中能力与权力，而互联网最初承诺的是去中心化参与。他希望 Cisco 的工作能够支持一种更加“分布式、有缓冲、网络化”且无需许可的替代方案。

2. 在不可承受失败的地方，网络仍保持确定性

• Pandey 依次讲解了正式的 OSI 协议栈——物理层、链路层、网络层、传输层、会话层、表示层和应用层——同时提醒说，实践者经常会绕开这些清晰边界：“先把事情做成”，而不是教条式地遵守模型。

• 实际网络里最重要的标志分别是物理层和链路层的 Ethernet、网络层和传输层的 TCP/IP，以及应用层的 HTTP 或 HTTPS。Pandey 开玩笑说，网络专家可能会对此提出异议，但对普通用户而言，其余大部分形式化定义并不重要。

• 实际的数据包转发仍然刻意保持确定性。交换机和路由器中的路由表不应把 Labenz 所说的连接“交给概率”；包括 BGP 在内的更高层控制面软件决定谁可以通信、执行公司间策略，并在海底电缆被切断等故障发生时绕行流量。

• 机器学习早已存在于这套确定性核心的周边：异常检测、对 Super Bowl 等活动的流量预测、互联网关键节点的故障预测、客户情绪分析，以及 Webex 的噪声消除。生成式 AI 改变的是 Cisco 在核心网络之上的运营方式，而不是可靠传输数据包的必要性。

3. CAIPE 把多智能体编排转化为可量化的 SRE 产出

• Outshift 最早的生成式 AI 落地项目之一最初以 Jarvis 之名讨论，后来称为 CAIPE（Community AI Platform Engineer）。它的出发点，是把编码智能体模式应用到站点可靠性工程，因为重复性的支持和基础设施任务本来就已经通过软件表达。

• CAIPE 不是一个单一聊天机器人。5+个用户界面向一个约20个协作智能体组成的系统提供入口，系统在云服务商、内部部署和云原生环境、可观测性、编排、网络与安全等领域发起100+次工具调用，目前覆盖超过10个工作流。

• Pandey 给出了3项具体结果：SRE 团队负荷下降30%；已处理任务中有40%实现了完整智能体化，即“端到端彻底处理完毕”；用户响应时间则从“数小时缩短至即时”。开发者和负责支撑他们的基础设施运营人员都因此受益。

• Cisco 随后将这套代码扩展到 Splunk、Webex 等其他业务，并向 Cloud Native Operational Excellence 社区开放。Pandey 提到 Adobe、AWS、Cisco、Nike 及其他企业参与，认为这说明 CAIPE 正从内部自动化项目走向更广泛的应用。

4. Pandey 将高级智能定义为团队成果

• Labenz 提出了一个直接的劳动力问题：如果模型让网络管理效率提高100倍，世界会不会因此进行100倍的网络管理，重新定义 SRE 角色，或者直接裁撤岗位？Pandey 没有给出人员数量或市场规模预测，而是把话题转向行业应当追求的能力。

• 他偏好的北极星同时包含技术和经济定义：一组智能体协作解决一个全新的问题，这个问题不在任何参与者的训练数据中，并且能够在没有人类介入的情况下“100%的时间”完成解决。他把这视为 ASI 应该抵达的目标。

• 行业迄今只沿着一个方向追逐这一目标：更大的模型、更强的推理器、更多数据、更多算力和更多参数。Pandey 预计纵向扩展会继续，但认为只有当行业能够通过共享意图和认知“横向扩展智能”时，时间表才会真正推进。

• Labenz 将这一点与 Meter 的任务时间跨度框架联系起来：Opus 4.6 的估计值约为16小时，但更长的任务可能需要拿来与有组织的人类团队比较。即便 Claude 或 Gemini 2.5 能够生成子智能体，也更像是一个 AI 让自己集群化，可能保留相关性故障，而不是真正形成多样性。

5. Pandey 把语言视为集体智能的模板

• Pandey 认为，人类使用工具和符号沟通已有数十万年，但语言在约70,000年前带来了跃迁。它让意图对齐、战略制定、委派、专业化和持续协作成为可能。

• 他给出的具体类比是一座此前从未见过的山丘。一个群体可以不再只是朝着山丘奔跑，而是先选择策略，再把更大的目标拆成子任务，按专业能力分工，协调执行，最终解决任何单个成员都未曾遇到过的问题。

• 今天由模型生成的子智能体仍然更像“我大脑中的子进程”（“sub-processes within my brain”）。Pandey 更大的构想，需要的是拥有不同专业、模型、供应商、历史和优化函数的独立智能体，更接近一个团队，而不是某个编排器克隆出来的延伸。

• 因此，“认知互联网”是一张网络：专业领域智能体可以在其上发现彼此、相互谈判、共享机构知识和工作上下文，并进行集体创新。由于专业化必然跨越供应商，Pandey 说，这些智能体“按定义就会来自不同供应商”。

6. 两个播客智能体暴露了缺失的软件连接层

• 采访前的准备提供了一个刻意简化的样本。Labenz 的智能体研究了 Pandey，并将结果与播客档案进行比对；Outshift 的智能体则围绕 Pandey 和 Outshift 的工作展开研究，并对照 Labenz 最近的节目记录。两者都产出了有用文档，却没有遇到彼此。

• 每个智能体都在进行局部优化。Labenz 的智能体拥有节目历史，其隐含目标是制作最好的一期节目；Outshift 的智能体拥有公司专属上下文，也知道听众过去对哪些主题感兴趣。两套知识围绕一个大体兼容的目标，形成了一个维恩图。

• 最终仍由人类协商重叠部分。Pandey 和他的团队承认，一些提议内容“有点过于营销导向”，Labenz 则把讨论塑造成更贴近技术和听众价值的方向。没有任何智能体自主完成意图对齐、交换让步或协调共同计划。

• 成熟系统应当让两个智能体完成收敛，保留由此产生的上下文，并将其复用于 Pandey 下一次出席、另一位 Outshift 嘉宾或另一档播客。今天，Google Docs、SharePoint、电子邮件和人类承担着连接组织的作用；Cisco 要问的是，“人类胶水如何变成软件胶水”。

7. 医疗演示让跨公司智能体协作变得具体

• Cisco 的演示从一名医院排班与对话智能体和患者互动开始。3个外部智能体分别代表保险、诊断和药房，属于独立机构，而不是医院拥有的内部组件。

• 它们共同承担的任务，是结合症状、病史、医生可用时间、保险覆盖范围和药房记录，把患者分流到合适的医疗服务提供者。协作开始前，这些智能体必须先被发现、连接、赋予身份和访问权限，再组装成一个多智能体系统。

• Cisco 发起了开源项目 AGNTCY，该项目目前已成为 Linux Foundation 的一部分，旨在提供这一基础层。它的4大支柱是发现、身份与访问、通信和可观测性；MCP 负责智能体访问工具与数据，A2A 则支持智能体之间的通信。

• 仅有连接并不能产生集体智能。传输的载荷仍是一团不透明的数据，而排班优化的是到达路线所需时间，诊断优化的是置信度，保险优化的是 ROI。最终仍要由人类决定，为了患者的全局结果，每个参与者都必须“有所让步，才能有所获得”。

8. AGNTCY 把发现和身份视为开放的控制点

• 消费者可以手动根据评价选择智能体，也可以让 LLM 生成一个“够用”的智能体。企业则要经历采购周期、安全审查、客户义务和负责任 AI 要求，因此智能体目录必须呈现可信能力、声誉和资历，而不能只是列出可下载应用。

• Pandey 将 AGNTCY 目录称为“智能体领域的 DNS”（“the DNS equivalent for agents”），但它比 URL 查询更丰富。目录支持按能力和声誉搜索，能够表示智能体、工具、数据访问权限以及嵌套的多智能体层级——“一层套一层”（“turtles all the way down”）——返回结果既可以是服务端点，也可以是供本地部署的代码。

• 这套目录通过分布式哈希表，设计目标是搜索数十亿乃至数万亿条记录。Pandey 强调其治理含义：“没有任何人拥有这套目录。”AGNTCY 同样支持去中心化身份，同时仍能接入 Okta、Duo 等企业熟悉的身份服务商。

• 其余基础设施则补齐了运行闭环。MCP 和 A2A 让通信跨越确定性工具与独立智能体；Cisco 与 Microsoft 贡献了 OpenTelemetry 扩展，让运营人员既能观察容器、云基础设施和裸机，也能观察智能体行为。服务可能处于健康状态，但其中的智能体却在行为异常。

9. TBAC 只在任务执行期间赋予智能体权限

• 身份是实现更高企业自治的“最大障碍”，因为智能体把类似人类的语义沟通和判断，与“机器的速度和规模”结合在了一起。它们能够快速作出决策、调用工具，但驱动这些行动的自然语言交互仍然模糊且非确定。

• 传统的基于角色的访问控制，最初是围绕稳定的人类角色设计的。基于属性的访问控制把类似假设延伸到了确定性软件和机器，但智能体可以迅速切换人格和目的——Pandey 的说法是，“明天是 Vijoy，下一小时是 Nathan”。

• Cisco 提出的 TBAC 模型，将身份判断落到工具、任务和交易上。智能体以最小权限开始，仅在获批操作所需的时间内获得临时提权，执行完毕后立即回到基线权限，而不是积累长期有效的权限。

• 这一设计依赖语义检查：系统必须从人机或智能体之间的对话中推断，实际发起的是哪项任务、交易或工具调用。Labenz 听到的是“一路到底都是 LLM”；Pandey 更深层的观点是，最小权限如今依赖于解释认知，而不只是核验静态凭证。

10. 第8层和第9层让自由文本语言变得可治理

• 现有网络连接确定性端点并交换数据状态。智能体网络连接的是概率型“智能端点”——人类与智能体之间交换认知状态——但传统 OSI 协议栈无法表达参与者是在发现、对齐意图、谈判、协作，还是执行。

• Pandey 将第8层分配给语法：它负责协调独立构建的智能体所使用的不同语法、框架和载荷格式。MCP、A2A 以及 AGNTCY 的连接架构都在这一层运行，使原本不兼容的实现能够交换消息。

• 第9层是语义或认知层。它深入通信内容、提取含义，并用结构化元数据包裹自然语言：智能体意图是什么、处于协作的哪个阶段，以及是在请求发现、谈判、工具访问还是命令执行。

• 没有这层结构，协作就会停留在 NLP 的“西部荒野”，而任何负责监视对话的守护者本身也具有概率性。Pandey 说，这样的系统可能做到95%或99%，“但你无法保证任何事情达到100%”；显式的认知状态头，则能在企业治理要求确定性的地方把确定性找回来。

11. 高速涌现的代价是认知引擎

• Cisco 设想了3种状态传输模式。语义状态传输使用自然语言；压缩状态传输在数据中心系统与受限边缘设备之间传递缩减后的表示；潜空间传输则直接发送完整 KV cache，绕过分词、传输和反分词过程——“就像在你我之间植入一枚 Neuralink 芯片”。

• 在这些协议之上，实时认知网络支持多对多语义通信，并采用可插拔记忆，而不是强制使用某一个数据库。企业可以接入开源记忆系统、BigQuery 或其他系统，同时存储共享本体、信念、知识图谱、工作记忆和上下文。

• Labenz 的反驳关乎安全：潜在推理可能更快、更并行，但也更难解释；每秒15,000个 token 的演示表明，机器可能很快超出人类监督能力。Pandey 仍希望利用人类不具备的能力——API 调用和可转移的潜状态——同时让认知引擎监控合规、安全、偏离和过度专业化。他还把多智能体系统的博弈论建模视为值得研究的方向。

• Pandey 最后把护栏和互操作性定义为采用前提。企业将同时容纳来自 ServiceNow、Salesforce、Microsoft、OpenAI、Anthropic、Google、Cisco 等公司的智能体；“未来5年内”不会有一个单一智能体覆盖所有职能。随着智能体通过 SOUL.md 等文件获得专业能力和个性，企业必须在不放弃问责的前提下，为涌现留出空间。