认知Sybil抗性：增加更多AI智能体不等于获得更多证据

多智能体系统的常见设想是：派出更多AI智能体，让它们各自阅读证据并生成报告，再对报告做综合，就能提升推理可靠性。但新近提交至arXiv的一篇论文（编号2609.01873，作者 Marc Bara，2026年9月1日）提醒，这个设想混淆了“智能体数量”与“观察次数”。表面上相互独立的报告可能源自同一份证据；反之，真正独立的证据也可能让不同智能体给出几乎相同的文本。论文把这种将重复派生误认为独立佐证的问题称为“认知Sybil问题”。

作者给出了形式定义：若在已有报告集合 R 的条件下，新报告 Z 关于目标变量 Θ 的条件互信息 I(Θ; Z | R)=0，则 Z 是一个“认知Sybil扩展”。论文证明，只依赖报告内容的聚合器原则上无法区分“复制同一证据”和“独立佐证同一结论”；同样一句表述在未观测的谱系关系不同的情形下，可能对应完全不同的后验。借助高斯共享根模型，论文还表明共同祖先并不等于完全冗余，重复提取能向“源级上限”逼近；但若独立智能体共享同一个基础模型，提取错误会彼此相关，而这个相关性会进一步压低上限。

为验证理论，研究者在合成证据文档上进行了超过2万次受控LLM智能体报告与提取调用。实验发现，固定单一证据根而把报告数从1提升到32，朴素后验覆盖率会从0.940跌至0.263——即报告越多，系统反而显得过度自信。反过来，固定报告总数而把证据根数从1增至16，能逐步填补该缺口，且当 k=16 时不同聚合器的表现统计上无法区分。独立智能体重复提取的错误也确实相关（样本外估计 gamma_cal=0.719），而显式建模相关提取错误的聚合器能够恢复校准。

论文还通过受控操作把“表征相似性”与“证据谱系”分开：仅改变表征相似性会使报告空间中去重机制推断出的平均簇数变化1.425（95% CI [1.363, 1.485]），而真实谱系发生四倍变化时，该指标只变化0.040（95% CI [-0.045, 0.120]）。这个强烈不对称说明，在报告空间中做文本去重很容易被表达方式牵着走。结论因此很直接：集体推断应追踪证据祖先与依赖结构，而不是追踪智能体或报告的数量，也不应依赖报告文本的相似度。论文共23页、13幅图，并公开了代码与数据。