集體智慧：AI的下一個前沿
107,175 個AI模型，在一個集體智慧模型中協調運作。
從個體AI到集體智慧
過去的時代，AI一直在讓單一模型變得更強。下一個前沿，是集體。
不同的模型貢獻不同的視角，這不是一句口號：Condorcet 的陪審團定理以及 Hong 與 Page 的多樣性預測定理，都證明了結構化的多樣性能勝過單打獨鬥的專業能力。結構化的集體策略讓這些研究真正發揮作用：模型各自獨立推理、相互交叉核實，並收斂為單一且可稽核的答案。
目標不是更多模型。是不同的智慧更好地協同。
這就是集體智慧。Ailin¹ 已經在運行它。
Ailin¹ Collective：宣稱背後的機制
Ailin¹ 是為集體智慧而生的。路由、發現、編排與驗證，都是服務於它的機制。基於 107,175 個可發現的模型識別碼，每個請求都會被導向 32 種已註冊編排策略之一：講求速度時用單一模型，講求正確性時則協調多個模型一起推理、辯論、相互核實。
集體的回應附帶決策溯源。協調路徑始終可查。
- 運行了哪些模型
- 由哪種策略協調
- 集體成本是多少
與前沿模型的公開較量
我們將集體與 GPT-5.5-pro、Claude Opus 4.8、Gemini 3.1 Pro 和 Grok 4.3 進行對比測試，評判依據是客觀的、機器判定的答案，而不是主觀口味。在一場可稽核、可重現的實驗中，集體全面勝過這四個模型。查看儲存庫。
Ailin¹ 將於 2026 年 9 月 15 日推出。
搶在正式發布前加入，協助形塑第一個版本。
Ailin¹ 集體
每一個請求，在呼叫任何單一模型之前，都會先經過同一套路由級聯，這套級聯能夠動用以群體決策同儕審查研究為根基的集體策略，其中包括 Condorcet 的陪審團定理與 Hong 與 Page 的多樣性預測定理。你明確說出想要什麼，就立即被尊重；你什麼都不說，級聯自己來決定。
最先進的技術不是黑箱。是你能掌控的兩個槓桿。
五個別名涵蓋完整範圍，從即時回應的單一模型，到五模型共識。兩個獨立欄位劃定邊界：max_cost 是上限，quality_target 是下限。你可以只設定其中一個、只設定另一個，或兩者都設定。Ailin¹ Collective 絕不會跨越你所設定的任何一條邊界。
多數平台丟給你一份模型清單，就稱之為選擇權。Ailin¹ 給你的是兩個獨立的槓桿，而不是一個滑桿：答案需要多好，以及你願意為此付出多少。
-
封頂花費，讓品質自行找到落點。
-
保證一個下限，讓成本隨需求變動。
-
鎖定兩者之間一條精確的區間。
| 別名 | 最佳化目標 | 典型成本 | 適用時機 |
|---|---|---|---|
| ailin-auto | 均衡取捨，逐請求決定 | 一般 | 預設值。除了成本與品質的均衡之外，沒有其他限制。 |
| ailin-best | 品質優先，成本不設限 | 最高 | 正確性至關重要、且成本並非主要限制的工作。 |
| ailin-fast | 低延遲，單一模型 | 偏低 | 有嚴格延遲預算的互動路徑。 |
| ailin-economy | 成本優先，強制硬性上限 | 最低 | 大量的背景批次工作 |
| ailin-consensus | 透過獨立交叉核實確保正確性 | 刻意偏高 | 無聲的錯誤正是你付費要消除的失效模式。 |
每個回應都會在 ailin_metadata 中回傳決策溯源：strategy_used、models_used 與 cost_usd，因此路由決策可以直接驗證，而不必仰賴信任。
請求：沿用你既有的 OpenAI 用戶端，只需改動一行程式碼
from openai import OpenAI
client = OpenAI(
base_url="https://api.ailin.one/v1",
api_key="YOUR_KEY",
)
response = client.chat.completions.create(
model="ailin-consensus",
messages=[{"role": "user", "content": "..."}],
extra_body={"max_cost": 0.15}
)回應
{
"ailin_metadata": {
"strategy_used": "ailin-consensus",
"models_used": [
"gpt-5.5-pro",
"claude-opus-4.8",
"gemini-3.1-pro"
],
"final_decider_model_id": "claude-opus-4.8",
"final_decider_role": "synthesizer",
"cost_usd": 0.0842,
"subcalls": [
{ "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
{ "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
{ "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
]
}
}Ailin¹ Collective 如何決策：路由級聯
這是一套分層級聯，依由快到慢的順序評估。每個請求都會在能安全定案的最早階段解析完成，因此簡單的請求很快就有結果，較困難的請求則會動用更深層的判斷。
級聯之前：語意快取 與近期某個請求幾乎重複的請求，會立即得到快取的回應。分流與下方全部六層都會被完全跳過，不是走捷徑，而是徹底略過。
-
明確路由
你已指定別名、模型或策略，因此這一層會立即解析請求。它永遠優先於下方所有層級；而如果你指定的目標實際上無法被滿足，請求會直接失敗，而不會靜默地退回到其他選項。
-
分流
在任何集體模型執行之前，一個專責模型會判讀任務的意圖與複雜度，並提出建議策略。這是真正的分析，不是查表對應，因此它本身就會產生一次真實（但小額）的呼叫成本。
-
組態檔案庫
累積 5 筆結果紀錄後解鎖一旦某一類任務累積至少 5 筆結果紀錄，Ailin¹ Collective 就會重複採用已證實有效的做法，而不是重新推導。
-
成本 / 品質 / 延遲前緣
累積 3 筆結果紀錄後解鎖一旦累積了足夠的歷史紀錄，即使還沒有證實吻合的精確任務類別，也會直接最佳化這項多目標取捨（品質、成本、速度、成功率）。
-
學習式策略偏好
累積 5 筆結果紀錄後解鎖一套 Thompson Sampling 拉霸演算法會依據長期實測結果為各項策略加權，持續修正級聯本身的預設判斷，而且它會自我稽核：如果整體實測的回報率低於它有史以來記錄過的最佳快照的 95%，這套演算法就會自動將整個學習狀態回滾到那個最佳已知快照。
-
後備啟發式
若以上各層都未能解析請求，一套確定性的計分啟發式規則會依任務類型、複雜度與可用的模型池選出策略。策略解析必定以一個決策告終，並記錄於
strategy_used。
級聯之後：成本治理閘門 不論第 1 至第 6 層選出了什麼，只要你不是明確路由，最後還有一道檢查：當預估的效益不足以跨過門檻時，它仍可以把一個昂貴的集體選擇降級回單一模型。同樣地，只有明確指定的請求才能跳過這道檢查。
第 3 至第 5 層會隨著某一類任務的使用紀錄累積而各自獨立解鎖：成本 / 品質 / 延遲前緣只需 3 筆結果紀錄，組態檔案庫與學習式策略偏好拉霸演算法則需要 5 筆。在解鎖之前，只要第 1、2 層未能率先解析請求，就由第 6 層那套確定性、可稽核的啟發式規則做出判斷。
32 種策略，根植於研究
模型共同思考的方式有數十種，每一種都可稽核。不同的問題，適合不同形式的集體推理。
這些都不是臨時拼湊的。目錄中的每一種策略，都對應到協調或集體決策研究中具體且有名稱的成果，而不是包裝成科學的內部猜測。
-
consensus
孔多塞陪審團定理（1785）：在 3 至 5 個模型之間進行多數決，並設有多樣性下限，避免共識只是同質推理的複製。
-
diversity-ensemble
Hong 與 Page 的多樣性預測定理（PNAS，2004）：從組建方式上就讓團隊的跨維度多樣性最大化。
-
debate
多個模型在主持人的引導下，經過結構化的多輪辯論。
-
swarm-explore
並行探索，分流機制會在開放式設計與架構工作中自動選用。
-
stigmergic-refinement
透過共享產出物而非投票達成收斂，分流機制會在高複雜度寫作任務中自動選用。
-
expert-panel
答案交付前先經過多角色獨立審查，可在重視驗證的請求中直接指定。
-
tri-role-collective
Planner、Solver、Auditor：一套確定性的狀態機，而不是訓練出來的協調者，並且在結構上禁止 Auditor 使用與剛才以 Solver 身分產生答案的同一個模型或同一次推理過程。
- 另有 25 種策略
選模型的不是你。是 Ailin¹ 集體。
簡單的任務給以簡潔，不簡單的給以深度。你設定邊界，Ailin¹ 集體在其中做決定，而總有一個欄位可以覆寫它。
你永遠不必決定一個請求該用一個模型還是五個。在呼叫任何模型之前，每個請求都會先經過 Ailin¹ Collective，也就是 ailin-auto 背後的同一套路由級聯。已經很清楚自己要什麼？直接指定就好：像 ailin-fast 這樣的別名、某個特定模型，或 strategy: "single"，Ailin¹ Collective 會立即照辦，不討價還價，也不增加延遲。什麼都不說，級聯就會自行解讀任務，挑出合適的執行形式。透過 Ailin¹ 執行單一模型並不是退路，也不是降級，而是 Ailin¹ Collective 經常且刻意選擇的一級路徑。
單一模型
從頭到尾一致的單一聲音。成本更低、延遲更低，和另一種選擇一樣觸手可及。
ailin-fast
多模型集體
並行工作的獨立提案者，在你看到一個答案之前就被交叉校驗與整合，讓分歧在到達你之前被捕捉，而不是之後。
ailin-consensus
創作與重構呢？
在客觀可驗證的任務上，也就是由機器核實而非主觀評判，勝出的正是集體。在開放式創意工作上，一個選對的單一模型同樣明顯勝出。這正是分流存在的原因：級聯不會把所有任務類型一視同仁地平均處理，而是清楚區分它們。創意工作預設走單一模型，可驗證工作則走集體。
你不需要靠記憶去判斷什麼時候該用簡單、什麼時候該用徹底。你說出你知道的部分，Ailin¹ Collective 補上你沒說的部分，而要推翻它，永遠只差一個欄位。
成千上萬的模型，只啟用真正合適的那些。
優勢在於集體
能存取更多模型本身並不是突破。真正重要的是：當不同的智慧能夠協同工作時，會發生什麼。Ailin¹把持續發現的、由107,175個模型識別碼構成的生態系統組織成一個集體，再只啟用每個策略所需的那一部分。
-
始終最新
新發布的模型會在它出現的那一輪發現週期中就被索引，不需要等待任何發版排程。
-
全頻譜
文字、視覺、音訊與嵌入都在同一個目錄裡，在同一個端點背後。
智慧一旦成為集體，就更強大
AI是圍繞個體模型構建起來的。它的下一個前沿是集體。單一模型可以極為出色，但每一個仍反映其自身的架構、訓練歷史、盲點與失效模式。集體智慧讓獨立的模型貢獻不同視角、挑戰假設、各自專業化、比較替代方案，並在任務允許之處驗證結果。以下並不是一份願望清單，而是五項已經在生產環境中運行的機制，不是路線圖。
關鍵時刻，成本近乎單一模型
在機器可以核對的任務上，確定性驗證器會立即接受正確答案，並讓集體其餘部分短路跳過，因此這類任務的成本會遠比集體其餘部分更接近單一模型，而這正是集體準確度優勢最強的地方。
韌性
一家供應商的故障，不會變成你的故障。集體會自動繞開效能下降或失效的模型，每一次回應仍然附帶決策溯源：使用了哪種策略、動用了哪些模型，以及花費是多少。
結構性多樣性
供應商、架構與訓練目標會透過輪詢式選擇被強制拉開差距，因此同一次執行中連續出現的模型絕不會來自同一家供應商。這是把 Hong 與 Page 的多樣性預測定理內建進路由層，而不是寄望不同訓練資料剛好產生有用的分歧。它能揭露盲點，但不保證能消除盲點。
降低對單一供應商的依賴
一個集體橫跨多個供應商，因此沒有任何單一供應商的路線圖、定價或政策能獨自定義你的產品。
動態專業化
為合適的任務選合適的專家：推理、程式碼、視覺、長語境，還是低延遲，在每次請求時即時選出。
常見問題
直截了當的回答，每一條都附上背後的欄位、檔案或數字。
接入與基礎
chat/completions、responses、embeddings、models）可直接替換沿用，並額外附加一個 ailin_metadata 區塊，用來承載決策溯源資訊。把現有用戶端指向 Ailin¹ 端點，換掉認證標頭，同樣的請求格式就能運作。Ailin¹ 集體與策略
ailin-auto（均衡預設值，交由級聯決定）、ailin-best（品質優先，成本不設限）、ailin-fast（延遲優先，單一模型）、ailin-economy（成本優先，強制硬性上限）、ailin-consensus（透過獨立交叉核實確保正確性）。先從 ailin-auto 開始。只有當你掌握了路由器不知道的資訊時，才改用其他別名。<strategy>:<tier> 直接指定這 32 種中的任何一種，例如 consensus:large，藉此鎖定確切的機制與價格層級。ailin-fast、strategy: "single"），也可以讓你取得獨立的多模型驗證（expert-panel、tri-role-collective），只要那才是你真正想要的。成本與問責
max_cost 會在任何模型被呼叫之前就硬性封頂；若即將執行的策略預估成本超過上限，請求會直接以 400 strategy_budget_exceeded 失敗，而不是默默超支。quality_target 則是與之配對的下限。每個回應都會回報真實數字：ailin_metadata.cost_usd，並附上逐項明細。多模型策略的成本確實明顯高於單一模型。但在機器可以核對的任務上（結構化擷取、數學、附測試的程式碼、事實問答），這個溢價幾乎會消失：當經驗證策略的確定性短路機制觸發時，我們最新的前沿基準測試量到的集體成本約為 $2.98/Mtok，比未經驗證的集體路徑便宜約 100 倍，與單一模型的定價落在同一個數量級之內。ailin_metadata.final_decider_model_id，也就是產生你這個答案的確切模型，另外還有 final_decider_role（primary、synthesizer、fallback 或 cache），以及完整的 subcalls[] 陣列，列出每一個參與者各自的成本、延遲與結果。當你要就品質問題向供應商申訴時，關鍵在於那個識別碼，而不是「Ailin¹ API」這個籠統的說法。如果你需要還原一個多模型決策為什麼會是那個結果，可以啟用持久化的協調追蹤紀錄：GET /v1/collective/runs/:id/trace 會回傳每個階段精確到毫秒的時間軸，而且它的設計方式讓任何一個租戶都無法確認另一個租戶的執行紀錄是否存在，查詢別人的執行識別碼，得到的 404 回應和查詢一筆從未建立過的紀錄完全相同。證據與信任
/source、/license）、SLSA/Sigstore 發布來源證明，以及 SPDX 格式的 SBOM，每一次發版都會附帶。尚未完成的是：正式認證。SOC 2 與 ISO 27001 仍在進行中，尚未取得認證；若你的採購流程需要特定的稽核證明，請詢問你的客戶團隊，而不要僅憑行銷文案推測，包括我們自己的文案在內。你也不必只憑我們的說法：上述數字背後的協調引擎已公開於 github.com/ailinone/collective-intelligence（AGPL-3.0-or-later），基準測試腳本與原始數據都在該儲存庫中。一起構建 AI 的集體時代
AI的下一個前沿是集體，它應該在開放中構建。在我們自己的基準測試中，經驗證的共識策略在 38 個客觀可驗證任務中答對 37 個，而孤立的前沿模型則落在 68 至 82% 之間，而且沒有一次選出錯誤答案。文件涵蓋完整的 API 表面。倉庫裡放著協調引擎、基準測試指令碼，以及那個結果背後的原始資料。