如果多個大模型能讀懂彼此的想法，會發(fā)生什么

在 NeurIPS 2025 的 Spotlight 論文 Thought Communication in Multiagent Collaboration 中，來自 CMU、Meta AI 和 MBZUAI 的研究者提出了一種全新的協(xié)作方式，讓模型不再僅僅依靠語言交流，而是直接共享「思維」。

這項研究提出了Thought Communication（思維溝通）的概念，讓智能體在內部層面?zhèn)鬟f潛在思維（latent thoughts），實現(xiàn)類似「心靈感應」的合作。

理論上，研究者建立了首個針對多智能體系統(tǒng)的潛在思維可識別性理論，證明即使在非參數(shù)設定下，也能從模型狀態(tài)中恢復出共享與私有思維。實現(xiàn)上，他們據(jù)此提出了通用框架ThoughtComm，使模型能夠自動抽取、路由并注入這些潛在思維，從而實現(xiàn)超越語言的直接溝通。

結果顯示，這種「思維層交流」不僅在理論上可行，在實踐中也顯著提升了模型的協(xié)作效率與推理能力。

• 論文標題：Thought Communication in Multiagent Collaboration
• 論文鏈接：https://arxiv.org/pdf/2510.20733

語言不是終點

語言讓人類能夠協(xié)作，但也帶著天然的限制。它是線性的、模糊的、不精確的，只能折射出思維的一部分。我們無法直接把腦海里的想法傳給別人，只能依賴詞語和句子，而這些總會損失細節(jié)與語義。

機器則不同，它們沒有聲帶，也不受感官約束。理論上，它們可以擁有一種更高效、更直接的溝通方式，不再依賴語言，而在「思維層」實現(xiàn)連接。

這一點在討論超級智能時尤為重要。人類的進步源于語言協(xié)作，而超人級智能的形成則需要超越語言的協(xié)調。個體的推理能力是一部分，群體的共思考能力才是未來智能的核心。

然而，目前的大語言模型協(xié)作系統(tǒng)仍停留在「對話」層面。模型通過生成文本或 token 來交換信息，但這種溝通仍受制于語言的模糊與損耗。許多協(xié)作失敗，正是因為模型「聽到了話」，卻沒理解思維。

于是問題變得清晰：

如果語言有天花板，機器之間該如何真正理解彼此

思維溝通：從傳遞話語到傳遞想法

答案其實很自然：讓模型直接共享「思維」

最直接的溝通方式不是解釋「我說了什么」，而是傳遞「我在想什么」。就像人類的行為由心理狀態(tài)驅動一樣，大模型的行為也由內部的潛在表征控制，那些表征編碼著目標、假設和推理邏輯。

如果能把這些潛在思維識別并共享出來，模型就能跳過語言的冗余與歧義，直接交換理解本身。思維溝通不依賴顯式 token，而是傳遞意圖和理解的內在結構。

在多智能體系統(tǒng)中，一些思維是共享的，另一些則是私有的。識別并結構化地共享這些思維，可以讓模型更快達成共識、發(fā)現(xiàn)分歧、整合多樣的推理思路。

理論：讀出模型的「內心世界」

圖中展示了多智能體系統(tǒng)的思維生成過程。面對同一個問題 「去機場的最佳方式是什么？」，所有智能體都會考慮一組潛在思維，包括「是否帶行李」、「速度」和「準點性」等因素。這些思維經過生成函數(shù)映射，形成每個智能體特有的狀態(tài)，并最終導致不同的決策。比如，Agent 1 更關注「行李」和 「速度」，因此選擇開車；而 Agent 2 更關注「速度」和「準點」，于是選擇乘火車。該示例體現(xiàn)了共享與私有思維如何共同決定智能體的行為。

思維并不是模型某一層激活的直接結果，也不是觀測數(shù)據(jù)的簡單表征。它更像是隱藏在這些表征之下、驅動整個生成過程的深層因素。要讓模型真正理解彼此的思維，首先需要一個可靠的理論基礎

研究者將這一過程形式化：所有智能體在第 t 輪溝通前的狀態(tài)為 H_t，這些狀態(tài)由一組潛在思維 Z_t 通過某個未知的生成函數(shù) f 得到，即。

為了確保模型能夠從狀態(tài)中恢復出真實的潛在思維，而不僅僅是外部世界的某種投影，研究者建立了嚴格的可識別性理論。他們通過數(shù)學證明，只要在系統(tǒng)中引入稀疏約束，即使在復雜的現(xiàn)實場景中，也能從模型的可觀測行為中穩(wěn)定地恢復出這些隱藏的思維。

更進一步，該理論不僅能夠識別出潛在思維的存在，還能區(qū)分哪些思維在模型之間是共享的，哪些屬于個體獨有。換句話說，研究者能夠重建每個模型的真實推理結構，并揭示模型之間的依賴關系 —— 誰在共享想法，誰在獨立思考。

這意味著模型之間不再只是「聽見」彼此的回答，而是真正能夠「理解」對方的思維；它們清楚哪些內容值得交換，哪些應當保留，從而讓溝通變得更精準、更高效。

框架：ThoughtComm

圖中概述了 ThoughtComm 的整體流程。在每一輪通信中，各個智能體將自身的模型狀態(tài)輸入到帶稀疏正則的自編碼器中，映射到一個共享潛在空間，得到潛在思維表示。系統(tǒng)根據(jù)恢復出的依賴結構，選擇性地將不同維度的思維路由給相關智能體，使其區(qū)分哪些思維是共享的、哪些是私有的。隨后，這些潛在思維通過前綴適配的方式注入回模型中，引導下一輪推理與生成。新的響應再作為下一輪輸入，從而實現(xiàn)超越語言消息交換的多智能體協(xié)作。

基于這一理論，研究者設計了通用框架ThoughtComm，讓大模型能夠在「思維層」上溝通。整個系統(tǒng)分為三步：

1. 思維抽取

通過帶稀疏約束的自編碼器，從模型狀態(tài)中學習潛在思維表示。系統(tǒng)自動區(qū)分共享與私有思維，并恢復思維與智能體之間的結構關系。

2. 思維路由

根據(jù)共享結構決定哪些思維要傳播、哪些保留本地，并引入「同意度」機制來衡量共識程度，動態(tài)調整共享強度。

3. 思維注入

最后，這些思維被重新注入模型，通過前綴適配的方式影響下一輪生成。模型因此不僅「看到」文本，還能感受到其他智能體的推理傾向。

整個過程無需修改模型主干，只需輕量的適配模塊即可實現(xiàn)，具有良好的通用性與擴展性。

實驗：讓模型真的「讀心」

實驗結果

研究者在多種復雜推理任務上測試了 ThoughtComm，包括MATHGSM8K。這兩類任務包含復雜的數(shù)學問題，需要多步邏輯推理與精確的中間思考，能夠充分驗證「思維層溝通」的有效性。

實驗覆蓋五種主流模型：Qwen3 0.6B / 1.7B、Phi-4-mini、Llama3 8B、DeepSeek-R1-distill-Llama-8B。

結果顯示，ThoughtComm 在所有模型和任務上都顯著優(yōu)于單模型推理和傳統(tǒng)多智能體協(xié)作方法。以 Qwen3 1.7B 為例，MATH 準確率達到 93.0%，較基準模型大幅提升；在 GSM8K 上，思維溝通同樣帶來明顯收益。

此外，實驗還發(fā)現(xiàn)模型之間的一致性提高，推理過程更穩(wěn)定。這表明，當智能體能夠共享「思維」，協(xié)作不僅更高效，也更具穩(wěn)健性

討論：通向真正的「集體智能」

思維溝通的核心，不只是提升性能，更在于開啟一種新的智能形態(tài)。

當智能體能直接交流思維，它們之間的關系就從「對話」變成了「共思考」。語言溝通傳遞結果，而思維溝通傳遞原因。這讓信息傳遞更密、更準、更高效，也讓模型在協(xié)作中實現(xiàn)更深層次的理解與協(xié)調。

這或許是多智能體智能演化的關鍵轉折點：從行為層的配合邁向認知層的協(xié)同。未來的集體智能，不再是多個模型簡單協(xié)作完成任務，而是形成真正的「心智共振」

總結

為了讓大模型學會通過「思維」進行溝通，研究者將多智能體協(xié)作建模為一個潛變量學習問題，提出了可識別的理論結果，并基于此構建了ThoughtComm框架。它使智能體直接共享、路由、注入潛在思維，從而實現(xiàn)超越語言的協(xié)作。

這項工作揭示了一個更深層的方向：智能的核心不只是行為，而是思維

理解并共享思維，或許正是邁向真正人工集體智能的起點。