Comunicazione del Pensiero nella Collaborazione Multiagente

Thought Communication in Multiagent Collaboration

October 23, 2025

Autori: Yujia Zheng, Zhuokai Zhao, Zijian Li, Yaqi Xie, Mingze Gao, Lizhu Zhang, Kun Zhang

cs.AI

Abstract

Il linguaggio naturale ha a lungo consentito la cooperazione umana, ma la sua natura approssimativa, ambigua e indiretta limita il potenziale dell'intelligenza collettiva. Sebbene le macchine non siano soggette a questi vincoli, la maggior parte dei sistemi multi-agente basati su LLM si affida ancora esclusivamente al linguaggio naturale, scambiando token o i loro embedding. Per andare oltre il linguaggio, introduciamo un nuovo paradigma, la comunicazione del pensiero, che consente agli agenti di interagire direttamente mente-a-mente, in modo simile alla telepatia. Per individuare questi pensieri latenti in modo sistematico, formalizziamo il processo come un modello generale a variabili latenti, in cui gli stati degli agenti sono generati da una funzione sconosciuta di pensieri sottostanti. Dimostriamo che, in un contesto non parametrico senza informazioni ausiliarie, è possibile identificare sia i pensieri latenti condivisi che quelli privati tra qualsiasi coppia di agenti. Inoltre, anche la struttura globale della condivisione del pensiero, inclusi quali agenti condividono quali pensieri e come queste relazioni sono strutturate, può essere recuperata con garanzie teoriche. Guidati dalla teoria stabilita, sviluppiamo un framework che estrae i pensieri latenti da tutti gli agenti prima della comunicazione e assegna a ciascun agente i pensieri rilevanti, insieme ai loro modelli di condivisione. Questo paradigma si estende naturalmente oltre gli LLM a tutte le modalità, poiché la maggior parte dei dati osservativi origina da processi generativi nascosti. Esperimenti su benchmark sia sintetici che del mondo reale convalidano la teoria e dimostrano i vantaggi collaborativi della comunicazione del pensiero. Speriamo che questo lavoro illumini il potenziale di sfruttare il mondo nascosto, poiché molte sfide rimangono irrisolvibili attraverso la sola osservazione superficiale, indipendentemente dalla scala di calcolo o di dati.

English

Natural language has long enabled human cooperation, but its lossy, ambiguous, and indirect nature limits the potential of collective intelligence. While machines are not subject to these constraints, most LLM-based multi-agent systems still rely solely on natural language, exchanging tokens or their embeddings. To go beyond language, we introduce a new paradigm, thought communication, which enables agents to interact directly mind-to-mind, akin to telepathy. To uncover these latent thoughts in a principled way, we formalize the process as a general latent variable model, where agent states are generated by an unknown function of underlying thoughts. We prove that, in a nonparametric setting without auxiliary information, both shared and private latent thoughts between any pair of agents can be identified. Moreover, the global structure of thought sharing, including which agents share which thoughts and how these relationships are structured, can also be recovered with theoretical guarantees. Guided by the established theory, we develop a framework that extracts latent thoughts from all agents prior to communication and assigns each agent the relevant thoughts, along with their sharing patterns. This paradigm naturally extends beyond LLMs to all modalities, as most observational data arise from hidden generative processes. Experiments on both synthetic and real-world benchmarks validate the theory and demonstrate the collaborative advantages of thought communication. We hope this work illuminates the potential of leveraging the hidden world, as many challenges remain unsolvable through surface-level observation alone, regardless of compute or data scale.