認知Sybil抗性：增加更多AI智慧體不等於獲得更多證據

多智慧體系統的常見設想是：派出更多AI智慧體，讓它們各自閱讀證據並生成報告，再對報告做綜合，就能提升推理可靠性。但新近提交至arXiv的一篇論文（編號2609.01873，作者 Marc Bara，2026年9月1日）提醒，這個設想混淆了“智慧體數量”與“觀察次數”。表面上相互獨立的報告可能源自同一份證據；反之，真正獨立的證據也可能讓不同智慧體給出幾乎相同的文本。論文把這種將重複派生誤認為獨立佐證的問題稱為“認知Sybil問題”。

作者給出了形式定義：若在已有報告集合 R 的條件下，新報告 Z 關於目標變數 Θ 的條件互資訊 I(Θ; Z | R)=0，則 Z 是一個“認知Sybil擴充套件”。論文證明，只依賴報告內容的聚合器原則上無法區分“複製同一證據”和“獨立佐證同一結論”；同樣一句表述在未觀測的譜系關係不同的情形下，可能對應完全不同的後驗。藉助高斯共享根模型，論文還表明共同祖先並不等於完全冗餘，重複提取能向“源級上限”逼近；但若獨立智慧體共享同一個基礎模型，提取錯誤會彼此相關，而這個相關性會進一步壓低上限。

為驗證理論，研究者在合成證據文件上進行了超過2萬次受控LLM智慧體報告與提取呼叫。實驗發現，固定單一證據根而把報告數從1提升到32，樸素後驗覆蓋率會從0.940跌至0.263——即報告越多，系統反而顯得過度自信。反過來，固定報告總數而把證據根數從1增至16，能逐步填補該缺口，且當 k=16 時不同聚合器的表現統計上無法區分。獨立智慧體重複提取的錯誤也確實相關（樣本外估計 gamma_cal=0.719），而顯式建模相關提取錯誤的聚合器能夠恢復校準。

論文還透過受控操作把“表徵相似性”與“證據譜系”分開：僅改變表徵相似性會使報告空間中去重機制推斷出的平均簇數變化1.425（95% CI [1.363, 1.485]），而真實譜系發生四倍變化時，該指標只變化0.040（95% CI [-0.045, 0.120]）。這個強烈不對稱說明，在報告空間中做文本去重很容易被表達方式牽著走。結論因此很直接：集體推斷應追蹤證據祖先與依賴結構，而不是追蹤智慧體或報告的數量，也不應依賴報告文本的相似度。論文共23頁、13幅圖，並公開了程式碼與資料。