前言：

Manus推出了一项名为Wide Research的创新功能，彻底改变了传统AI研究的模式。该功能通过调用多个AI智能体并行协作来处理任务，以“广度研究”为核心，能够快速应对大规模任务，标志着AI从单一助手向“数字军团”转型。Wide Research在处理速度和信息广度上表现出色，但同时也面临着技术挑战和成本高昂的问题。

关键点如下：

- Wide Research通过调用上百个AI智能体并行处理任务，显著提升了效率。
- 受谷歌MapReduce的启发，Wide Research采用了分布式计算架构，将任务分解并汇总结果。
- Wide Research与Deep Research形成对比，更强调信息的广度和处理速度，而不是研究的深度。
- Wide Research的应用场景十分广泛，包括运动鞋对比、海报设计、市场分析等。
- 目前，Wide Research仅向高端用户开放，执行任务的成本较高，这也引发了一些争议。
- Manus采取了“高举高打”的策略，旨在未来降低成本并推广这项技术。
- Wide Research的推出标志着人机交互从“对话”向“编排”转型。

在信息洪流席卷一切的今天，我们早已依赖AI来解答疑问。但当问题变得庞大而复杂——比如“全面分析全球100个顶尖MBA项目”或“系统比较市面上主流的百款运动鞋”——即便是最先进的AI模型也常常捉襟见肘。它们给出的答案往往简略、不完整，甚至干脆“选择性忽略”细节。AI就像一位博学却分身乏术的顾问，面对海量信息时，难以兼顾广度与深度。

正是在这一瓶颈之上，AI初创公司Manus掀起了一场静默却深远的变革——推出全新功能“Wide Research”（广度研究）。不同于在模型参数或推理深度上与OpenAI等巨头正面较量，Manus另辟蹊径，以“规模并行”为核心理念，用一种极具魄力的方式重新定义了AI的边界。

Wide Research 的本质并不复杂：当一个问题太大，单个AI处理不过来时，为什么不同时派出上百个AI协同工作？通过调度多达250台虚拟机并行运行，Manus让AI从“单兵作战”迈向“军团协同”。这不仅是算力的堆叠，更是一种全新的智能范式——我们不再只是向AI提问，而是指挥一支AI大军，系统性地搜索、验证、整合庞杂信息。

这一突破，标志着AI应用正从“问答助手”向“自主研究团队”进化。一个属于广度智能、群体协作的全新时代，已然开启。

1：从单智到众智：AI迈入协同研究新时代

想象一下，你不再只是简单地向一个AI助手发出指令，而是像一位将军，指挥着一支由上百个AI智能体组成的“数字军团”。这正是Manus推出的Wide Research功能带来的全新体验。根据新浪财经的报道，该功能能够一次性调度上百个子智能体，将复杂任务拆解后并行处理。

以“比较100款运动鞋”的需求为例，传统AI可能会逐一搜索，不仅效率低下，还容易遗漏信息。而Wide Research则会瞬间“召唤”出100个子智能体，每个智能体负责一款运动鞋，独立进行信息搜集、分析价格、设计和库存等工作。几分钟内，所有子智能体将结果汇报给主任务，最终汇集成一份结构清晰、可排序的Excel表格和网页交付给用户。

2：核心架构：基于MapReduce的并行智能体

Wide Research：AI的“广度”革命

核心架构：MapReduce启发的并行智能体

Wide Research的强大并非简单的“人海战术”，而是基于坚实的技术架构。Manus联合创始人季逸超透露，该功能的灵感直接来源于谷歌的经典分布式计算范式——MapReduce。简单来说，就是将一个大任务（Map）分解成无数个小任务并行处理，最后再将结果（Reduce）汇总。

与传统多智能体系统为每个Agent预设固定角色（如程序员、设计师）不同，Wide Research中的每一个子智能体都是一个功能完备、通用的Manus实例。根据Manus官方博客，每个Manus会话都在一个专用的云虚拟机上运行，具备图灵完备性。Wide Research将这一能力扩展了100倍，让普通用户也能通过自然语言指挥一个“超级计算集群”。

这种通用性设计释放了巨大的灵活性，任务不再受限于固定的模板或领域。从本质上讲，Wide Research是一个系统级的并行处理机制，以及一个智能体到智能体的协作协议。它将复杂任务分解，由多个并行智能体处理后汇总结果。

 “广度”对决“深度”：一场AI研究范式的变革

Wide Research的推出，不可避免地让人将其与OpenAI等公司主打的Deep Research（深度研究）功能进行比较。这不仅是两家公司技术路线的选择，更代表了两种截然不同的AI研究范式。

Deep Research像一位学识渊博的博士，能就单一问题进行深入挖掘、逻辑推理，并生成一份详尽的报告。而Wide Research则更像一个高效的情报网络，擅长在短时间内对海量信息进行拉网式排查和整理。

从上表可以看出，二者各有所长，适用于不同的场景：

- Wide Research：在处理速度和信息广度上拥有压倒性优势，尤其适合需要大规模数据收集、对比分析和创意发散的任务。但其代价是高昂的计算成本和在单一问题深度上的不足。
- Deep Research：则在研究深度和逻辑复杂性上更胜一筹，适合需要严谨论证、深度思考的学术研究或报告撰写。但其串行处理的模式决定了它在处理广度任务时效率较低。

在处理复杂逻辑任务时，Wide Research的表现不一定优于高容量的单个智能体。然而，在广度级别任务上，它的并行处理能力展现了卓越的效率。这场“广度”与“深度”的对决，没有绝对的赢家，却为用户提供了更多元化的选择，也推动着AI向更全面的能力维度发展。

实践出真知：Wide Research的惊艳应用实例

理论再完美，终究要靠实践来检验。Manus官方和早期用户展示的一系列案例，生动地证明了Wide Research的巨大潜力，它正在将过去需要数小时甚至数天才能完成的工作，压缩到几分钟之内。

例如，当用户提出“比较100款运动鞋”的需求时，传统AI可能会逐一搜索，不仅效率低下，还容易遗漏信息。而Wide Research则会瞬间“召唤”出100个子智能体，每个智能体负责一款运动鞋，独立进行信息搜集、分析价格、设计和库存等工作。几分钟内，所有子智能体将结果汇报给主任务，最终汇集成一份结构清晰、可排序的Excel表格和网页交付给用户。

这种高效并行处理能力，不仅节省了时间，还提高了信息的准确性和完整性。Wide Research的应用场景十分广泛，包括但不限于：

- 市场分析：快速收集和分析竞争对手的产品信息。
- 创意设计：同时生成多个设计方案，供用户选择。
- 数据对比：对大量数据进行快速对比和分析，生成直观的报告。

通过这些实际应用，Wide Research正在改变人们对AI的认知，从单一助手向“数字军团”转型，为用户带来了前所未有的体验。

3：真实场景见真章：Wide Research 的五大惊艳实战案例

 案例一：秒速对比百款运动鞋

Wide Research 的强大能力在实际应用中得到了充分的体现。其中一个最具代表性的案例是对比 100 款运动鞋。用户只需输入一条简单的指令：“比较 100 种不同的运动鞋，并查看功能、定价、设计、销售等”，系统便会迅速启动 100 个并发智能体。

每个智能体就像一个专业的导购员，一对一地分析一款运动鞋。它们分别收集每款鞋的功能、定价、设计和销售数据。短短几分钟内，系统就会生成一个包含所有这些信息的、可排序比较的表格，并同时提供 Excel 和网页两种格式，让信息一目了然，方便用户快速做出决策。

这种高效的并行处理能力，不仅大大节省了时间，还确保了信息的全面性和准确性。过去需要数小时甚至数天才能完成的任务，现在只需几分钟就能轻松搞定。

4：高昂的启程：突破背后的代价与前路之问

Wide Research 所展现出的惊人能力无疑令人振奋，但其背后的高成本与技术复杂性也引发了广泛争议。目前，该功能仅对每月收费199美元的Pro用户开放，且一次大规模研究任务将消耗大量使用积分，不少用户直呼“难以承受”“性价比太低”。

面对质疑，Manus联合创始人兼CEO肖弘在社交媒体上坦然回应，明确将当前阶段定义为公司发展蓝图的“第一阶段”。他提出了一条清晰但极具挑战性的路径：

> “先打造昂贵但能突破人类能力边界的AI产品，用它创造的收益去研发更实惠的版本，再用新一轮收益推动更普惠的迭代。我们现在正处于第一阶段，一切才刚刚开始。”  
> ——引自InfoQ对Manus的报道

这一“先高端、后普及”的战略，彰显了Manus的远大抱负。然而，理想虽宏大，现实挑战却不容忽视。首先，Manus尚未公布具体的性能对比数据，无法充分证明“百个AI并行”在效率上确实优于单个强大模型的串行处理。其次，如何高效调度海量智能体、避免信息重复或冲突、确保结果一致性，并控制错误传播与资源浪费，都是复杂而关键的技术难题。

此外，Manus此前经历了一系列战略调整——包括将总部迁至新加坡、退出中国大陆市场等——这些变动虽可能是全球化布局的一部分，但也带来了品牌信任与市场稳定性的考验。未来，如何在激烈的AI竞争中建立可持续的技术优势，并赢得全球用户的长期支持，将是Manus必须跨越的又一道关口。

这一步，走得大胆而昂贵。而接下来的路，将更加艰难，也更加关键。

无论褒贬，Manus 推出的 Wide Research 无疑在 AI 智能体的发展进程中刻下了浓重一笔。它不只是功能的升级，更是一种范式的跃迁——首次系统性地证明：AI 可以不再局限于“回答问题”的助手角色，而是被组织成一支可调度、能协作、擅执行的“数字劳动力大军”。

从追求单一模型的“深度理解”，转向构建多智能体的“广度覆盖”，这不仅是技术路径的转变，更标志着人与AI关系的根本重塑。我们正从“向AI提问”的时代，迈向“为AI分工、排兵布阵”的新阶段。AI 不再是唯一的“大脑”，而是可被编排的“团队成员”，在人类的指挥下，自主完成信息搜集、交叉验证、归纳整合等复杂任务。

Wide Research 或许只是这场变革的序章。随着并行架构的优化、协同机制的完善以及成本的逐步下降，这种“群体智能”模式有望从少数高端用户的专属工具，演变为科研、商业分析、内容生产乃至政策制定等领域的通用基础设施。

一个由成百上千AI智能体高效协作的未来，已不再只是科幻图景。它正在技术的推动下加速成型。而我们，正站在这个智能新纪元的起点——不仅要见证它的到来，更要学会如何引领、协调并驾驭这支无形却强大的数字军团，共同塑造下一代智能工作方式。