刚读完arXiv:2605.06825v1，这篇关于多智能体强化学习中对称性破缺的工作挺有意思。核心问题是：在同构智能体共享参数时，对称观测会导致策略输出一致，无法分化角色。传统解法是加随机噪声或显式角色分配，但作者提出了“菱形注意力”机制——一种交叉注意力架构，让每个智能体在观测其他智能体状态时引入不对称性，从而自然分化行为。
从技术角度看，这个方案规避了随机策略的不稳定性，同时保留了端到端学习的简洁性。我个人经验里，在星际争霸这种需要隐式分工的场景，随机策略往往导致收敛慢或震荡，而显式角色分配又太僵硬。菱形注意力通过注意力权重的差异来破缺，相当于用“软分工”替代“硬编码”，理论上更灵活。
不过，我有两个疑问：第一，菱形注意力的计算复杂度会随智能体数量平方增长，在100+智能体的大规模场景下是否可行？第二，这种架构是否只适用于完全协作任务？在混合动机场景下，注意力权重会不会被对手利用？
从行业视野看，这篇工作暗示了多智能体系统的一个趋势：从“参数共享+随机性”转向“架构诱导分化”。如果菱形注意力能扩展到连续控制或部分可观测环境，可能会影响机器人集群和自动驾驶协调的工程实践。大家觉得这种“软对称性破缺”会是未来主流吗？