本文探讨了在多智能体系统中，应该训练专用智能体，还是训练能够独立执行整个任务的通用智能体。研究人员认为，专用化的需求很大程度上取决于任务的并行性，即多个智能体同时执行任务组件的可能性。受分布式系统中阿姆达尔定律的启发，我们提出了一个封闭的边界，用于预测专用化提升性能的临界点，该临界点仅取决于任务并发性和团队规模。我们在两个具有对比环境的标准 MARL 基准测试中验证了该模型：星际争霸多智能体挑战赛（SMAC，无限并发）和多粒子环境（MPE，单位容量瓶颈）。我们观察到，在每种极端情况下，专用化界限与经验指标之间都高度一致。在 Overcooked-AI 上进行的三个后续实验表明，即使在具有更复杂的空间和资源瓶颈、允许多种策略的环境中，该模型也能表现良好。除了预测能力之外，这个界限还可以作为一种诊断工具，突出 MARL 训练算法中的偏差，从而导致与具有较大状态空间的专家策略的次优收敛。
