Nel panorama moderno dell'intelligenza artificiale, i grandi modelli linguistici agiscono sempre più non come pensatori solitari, ma come membri di un team. Immaginate un gruppo di ricercatori che lavora su un mistero complesso, dove ogni persona ha letto solo un set diverso di documenti. Per risolvere il caso, devono condividere ciò che sanno. Nel mondo digitale, questi "ricercatori" sono agenti software, e i documenti che possiedono sono pezzi di evidenza nascosti all'interno della loro memoria interna. Affinché questi agenti possano lavorare insieme, hanno bisogno di un modo per trasmettere informazioni da uno all'altro. Fino a poco tempo fa, il metodo standard consisteva nell'avere un agente che scriveva un riassunto in inglese semplice e lo inviava al successivo. Sebbene questo sia facile da leggere per gli esseri umani, è inefficiente per le macchine. L'agente mittente deve costruire lentamente il messaggio parola per parola, e l'agente ricevente deve poi leggere quelle parole e ricostruire la propria comprensione interna da zero. Questo processo è simile a una staffetta in cui i corridori devono fermarsi, scrivere un appunto, consegnarlo e poi passare del tempo a leggerlo prima di poter correre di nuovo.

I ricercatori hanno esplorato un modo più veloce per comunicare, uno che salta interamente la scrittura e la lettura delle parole. Inveve di scambiare testo, hanno provato a passare i "pensieri" grezzi e interni di una macchina direttamente a un'altra. Questo è simile a consegnare a un corridore un appunto pre-scritto che può assorbire istantaneamente senza leggerlo. Tuttavia, i primi tentativi di questo trasferimento diretto si sono scontrati con un muro. Funzionavano bene solo quando le due macchine erano gemelle identiche, oppure costringevano il mittente a comprimere tutta la sua conoscenza in un singolo riassunto generico che ignorava ciò che il ricevente già sapeva. Ciò significava che il ricevente riceveva spesso un messaggio che era o troppo vago o irrilevante per le sue specifiche necessità. La sfida era creare un canale di comunicazione che fosse veloce, funzionasse tra macchine diverse e permettesse al ricevente di chiedere esattamente l'informazione di cui aveva bisogno, piuttosto che accettare un riassunto preconfezionato.

Un team di ricercatori ha introdotto un nuovo sistema chiamato XKV che risolve questi problemi. Il loro approccio tratta la comunicazione tra due diversi modelli linguistici come uno sforzo congiunto piuttosto che come una semplice consegna. Nel loro sistema, i due modelli — uno che detiene un pezzo del puzzle e l'altro che detiene il resto — rimangano congelati nel loro stato originale, il che significa che la loro intelligenza centrale non viene alterata. Invece, un traduttore leggero si siede tra loro. Questo traduttore osserva la memoria interna di entrambi i modelli contemporaneamente. Non si limita a riassumere ciò che il primo modello sa; capisce cosa manca al secondo modello confrontando i due set di memorie. Crea quindi una banca di memoria condivisa e compatta che fonde l'evidenza del mittente con lo stato attuale del ricevente.

L'innovazione risiede nel modo in cui questa memoria condivisa viene utilizzata. Nei sistemi precedenti, ogni parte del modello ricevente era costretta ad ascoltare lo stesso singolo riassunto, come una classe in cui ogni studente sente la stessa identica lezione indipendentemente da ciò che già comprende. Il nuovo sistema XKV permette a ogni singola posizione nella memoria del ricevente di porre una domanda specifica a questa banca condivisa. È come se ogni studente in classe potesse alzare la mano per chiedere il fatto specifico che gli manca, e l'insegnante fornisse proprio quello. Il sistema fornisce quindi un aggiornamento preciso e su misura a ogni parte della memoria del ricevente, colmando le lacune senza disturbare il resto della sua conoscenza. Questo processo avviene in una frazione del tempo necessario per scrivere e leggere un messaggio di testo, e funziona anche quando i due modelli sono costruiti su architetture completamente diverse, usano vocabolari differenti o hanno un numero diverso di livelli interni.

I ricercatori hanno testato questo sistema in una vasta gamma di scenari, mettendo a confronto diverse famiglie di modelli linguistici tra loro su cinque diversi compiti di ragionamento. Questi compiti consistevano nel rispondere a domande che richiedevano la combinazione di prove suddivise tra i due agenti, come collegare fatti provenienti da paragrafi diversi per risolvere un problema a più fasi. I risultati hanno mostrato che il nuovo sistema ha superato costantemente sia il tradizionale metodo basato sul testo sia il precedente miglior tentativo di trasferimento diretto della memoria. In media, il nuovo sistema ha migliorato significativamente l'accuratezza delle risposte, con alcuni test specifici che hanno mostrato un salto di oltre quattro punti percentuali nei punteggi di corrispondenza esatta rispetto al precedente metodo migliore. Oltre a essere più intelligente, era drammaticamente più veloce. La componente del traduttore del nuovo sistema è stata più di dieci volte più veloce del precedente metodo d'eccellenza ed è stata quasi sette volte più veloce dello standard approccio basato sul testo.

Lo studio ha anche evidenziato che questa velocità non è arrivata a scapito della complessità. Il nuovo traduttore richiedeva il 76% in meno di parametri addestrabili rispetto al precedente metodo leader, rendendolo molto più efficiente da costruire e gestire. Fondamentalmente, il sistema ha mantenuto la sua alta prestazione anche quando i due modelli in comunicazione erano completamente diversi tra loro, come un modello di una società che parla con un modello di un'altra, o un modello piccolo che parla con uno grande. Questa flessibilità suggerisce che il sistema può essere implementato in scenari reali in cui diversi strumenti di IA devono collaborare senza dover essere riaddestrati o costretti in una forma uniforme. I ricercatori hanno scoperto che il sistema funziona meglio quando può costruire una memoria congiunta da entrambi i lati, piuttosto che fare affidamento su un riassunto proveniente da uno solo. Ciò ha confermato che la comunicazione più efficace avviene quando il mittente e il ricevente sono considerati insieme, permettendo al ricevente di recuperare esattamente ciò di cui ha bisogno da un pool di informazioni condiviso.

Le implicazioni di questo lavoro vanno oltre il semplice rendere l'IA più veloce. Eliminando la necessità per i modelli di parlare in linguaggio umano per capirsi, il sistema apre la porta a sistemi multi-agente più fluidi ed efficienti. Questi sistemi potrebbero coordinare compiti complessi, come l'analisi di enormi quantità di dati o la risoluzione di intricati problemi scientifici, senza il collo di bottiglia della generazione e della rilettura del testo. I ricercatori hanno dimostrato che è possibile creare un canale di comunicazione che sia consapevole dello stato del ricevente, che recuperi aggiornamenti specifici da una memoria condivisa e che rimanga rigorosamente più economico e veloce dei riassunti centrati sul mittente che sostituisce. Questo rappresenta un passaggio dal trattare gli agenti IA come entità isolate che devono tradurre i propri pensieri in parole, al trattarli come una rete coesa capace di condividere direttamente la comprensione grezza. Le scoperte suggeriscono che il futuro dell'intelligenza artificiale collaborativa potrebbe non risiedere in un migliore linguaggio, ma in modi migliori per condividere gli stati interni silenziosi che guidano l'intelligenza.