當 AI Agent 學會「說話」：Cisco 的 Internet of Cognition 要解決什麼問題

TL;DR

• 目前 AI 產業幾乎只在「垂直擴展」（更大的模型、更多參數），Cisco 提出「水平擴展智慧」的路線，讓不同 Agent 能協作、共享意圖、建立信任
• Cisco 內部已部署 CAPE 系統（20 個 Agent 組成的 multi-agent system），自動化了 40% 的 SRE 任務，回應時間從數小時降到即時
• 開源專案 AGNTCY（隸屬 Linux Foundation）提供 Agent 之間的發現、身份驗證、通訊和可觀測性基礎設施
• 傳統的 RBAC 權限控制不適用於 Agent，Cisco 提出 TBAC（Tool, Task, Transaction-Based Access Control），按任務動態授權
• 在 OSI 七層模型之上新增 Layer 8（語法層）和 Layer 9（語意層），讓 Agent 之間的溝通從「傳資料」升級到「傳認知狀態」

節目與來賓背景

The Cognitive Revolution 是由 Nathan Labenz 主持的 AI 深度訪談節目，專門找 AI 領域的 builder、研究者和產業玩家來聊最前線的技術趨勢。這集的來賓是 Vijoy Pandey，Cisco OutShift 的 SVP 兼 GM。OutShift 是 Cisco 內部的技術孵化引擎，專攻 AI 基礎設施、量子網路等新興技術。Pandey 本身是 UC Davis 電腦科學博士，手上有超過 80 項雲端運算和分散式系統的專利，同時也負責 Cisco Research 和開源計畫。簡單說，這是一個在分散式系統領域打滾超過十年的人，來談 AI Agent 的分散式協作。

所有人都在 Scale Up，誰在想 Scale Out？

現在整個 AI 產業的主旋律就是「把模型做大」。更多參數、更多資料、更多算力，垂直往上堆。這條路當然會繼續走，但 Pandey 點出一個很少人認真想過的問題：我們完全沒有碰水平擴展這條軸線。

什麼意思？現在的 AI 系統就算再強，本質上還是一個大腦在獨自運作。Claude 可以 spawn sub-agent，Gemini 2.5 可以自己分派子任務，但這些都還是「同一個大腦的分身」。真正的水平擴展是讓不同來源、不同專長的 Agent 能像人類團隊一樣協作。

Pandey 用人類智慧演化來做比喻：人類聰明了幾十萬年，會用工具、會畫圖、會用符號溝通，但真正的 step function 是大約七萬年前語言被發明的那一刻。有了語言，你才能對齊意圖、分工合作、解決從沒遇過的新問題。

AI Agent 現在就卡在「還沒發明語言」的階段。

Cisco 內部已經在吃自己的狗糧

這不只是理論。Cisco 內部的 CAPE 系統（Community AI Platform Engineer）是一個由大約 20 個 Agent 組成的 multi-agent system，專門處理 SRE（Site Reliability Engineering）的工作流。它接了五個以上的使用者介面，執行超過 100 個 tool call，橫跨雲端供應商、地端環境、可觀測性、編排、網路和安全。

成果：團隊負載減少 30%，40% 的任務完全自動化，回應時間從數小時變成即時。這個專案後來也開源了，Adobe、AWS、Nike 等企業都有參與。

Agent 之間怎麼「認識彼此」？

Pandey 用一個醫療場景來解釋。想像一個醫院的排程 Agent 需要跟保險公司的 Agent、診斷 Agent、藥局 Agent 協作。這四個 Agent 來自不同組織，今天根本無法直接溝通。

AGNTCY（A-G-N-T-C-Y，已捐給 Linux Foundation）就是要解決這個基礎建設問題。它有四根柱子：

1. Discovery：Agent 目錄，類似 DNS 但可以按能力和聲譽搜尋，底層用 DHT（Distributed Hash Table）實現去中心化
2. Identity & Access：傳統 RBAC 不夠用，因為 Agent 會動態切換角色。Cisco 提出 TBAC，按 tool、task、transaction 動態授權，用完就降回基本權限
3. Communication：整合 MCP（Model Context Protocol，Anthropic 的 Agent 對工具協定）和 A2A（Google 的 Agent 對 Agent 協定）
4. Observability：跟 Microsoft 合作在 OpenTelemetry 裡加入 Agent 層級的觀測擴充

但 Pandey 很坦白地說：目前這些只解決了「讓 Agent 能互相講話」的問題。真正的意圖對齊、共享記憶、協同推理，今天還是靠人類在中間當膠水。

OSI 模型要加兩層

這是整集最有野心的部分。現有的 OSI 七層模型是為「確定性端點之間交換資料」設計的。但 AI Agent 是非確定性的認知端點，交換的是認知狀態。

Pandey 提出在上面加兩層：

• Layer 8（語法層）：解決不同框架之間的語法差異。你的 Agent 跑在 Vertex，我的跑在 Bedrock，格式不同，這層負責翻譯
• Layer 9（語意層）：深入通訊內容，提取真正的意圖。不只是傳 NLP 文字，而是在外面包一層 header，標記「我正在發現資訊」「我正在協商」「我要執行動作」

為什麼需要這層？因為 TBAC 要運作，你得先知道 Agent 到底想做什麼。而要知道它想做什麼，就得理解它的語意通訊。所以是 LLM all the way down。

我的觀察

老實說，聽完這集我最大的感受是：這個方向對，但時間軸很不確定。

企業端的需求是真實的。任何稍具規模的公司，環境裡一定會有來自 ServiceNow、Salesforce、Microsoft、Anthropic、Google 等不同廠商的 Agent。它們必須協作，這不是 nice-to-have。

但挑戰也很明顯。Pandey 自己也承認 guardrail 和 evaluation stack 都還沒完全解決。當你讓多個非確定性系統以機器速度互相溝通，還可能用 latent space 直接傳遞認知狀態（繞過人類可讀的自然語言），失控的風險是存在的。

不過換個角度想，這跟早期網路的發展邏輯很像。先有基礎協定，再慢慢長出治理層。TCP/IP 剛出來的時候也沒有 HTTPS，但沒有人因此說「那我們別連網了」。

去中心化的 Agent 目錄和身份系統這件事特別值得關注。OpenAI 在做的是 curated app store 模式（控制目錄、控制評價、控制廣告），Cisco 推的是開放、permissionless 的模式。這兩條路線的競爭，會直接決定未來 Agent 生態長什麼樣子。

如果你對 multi-agent system 的基礎設施層感興趣，這集值得完整聽一遍。更多這類產業觀察，我都會持續寫在 wilsonhuang.xyz，有興趣的話可以訂閱追蹤。