俄羅斯數學家讓 AI 模型不用文字就能互相溝通

一組俄羅斯數學家開發出讓 AI 模型繞過自然語言、直接以內部向量表徵交換資訊的方法。這種溝通方式在效率上有明顯優勢，但同時帶來與可監督性相關的問題。

多模型協作近年成為常見的系統架構。複雜任務往往被拆解為多個子任務，由不同的模型分別處理，再將結果整合。在目前的主流做法中，模型之間的溝通以自然語言進行——一個模型把結論寫成文字，另一個模型再讀取並理解。

這種做法有明顯的效率損耗。模型內部的表徵是高維度的向量，包含遠比文字豐富的資訊；當它被壓縮成自然語言再由另一個模型解析回向量，過程中必然損失資訊，且兩次轉換都消耗運算資源。若能讓模型直接交換內部表徵，理論上既能保留更完整的資訊，也能省去轉換成本。

技術上的挑戰在於表徵的相容性。不同模型的內部表徵空間是各自訓練形成的，同樣的概念在不同模型中可能對應完全不同的向量。要讓它們直接溝通，需要建立表徵空間之間的映射，或訓練模型使用共通的中介表徵。這正是這類研究的核心問題。

效率提升的代價是透明度。當模型之間以人類無法直接理解的向量溝通，整個系統的內部運作就成為黑盒。研究者無法檢視協作過程中傳遞了什麼資訊、判斷是否出現偏差，而這種可檢視性在多模型系統的除錯與安全評估中相當重要。

這個取捨與推理過程的可監督性問題有共通的結構：能力與效率的提升，往往以人類可理解性的降低為代價。如何在兩者之間取得平衡，是當前 AI 系統設計的核心議題之一。後續觀察重點在於這類技術的實際效能提升幅度，以及是否會發展出對應的解讀與監督工具。