从信号到结构：记忆架构如何驱动LLM智能体的语言涌现

如何让两个智能体从零开始发明一种共享语言？这是语言演化研究中的核心问题。一项由Yashar Talebirad等人进行的最新研究利用Lewis信号游戏对此进行了深入探索。在经典Lewis信号游戏中，一个发送者看到一个物体后必须发送一个信号，接收者根据信号选择物体，双方仅通过交互历史来协调出一个共同代码，没有预先约定的词汇表。研究者使用大型语言模型（LLM）作为智能体，测试了五种不同的记忆架构，并变化通道容量（即可能的信号数量），以观察哪些因素最能促进成功的协调。

实验结果表明，记忆架构的影响力远超通道容量本身。配备持久私人笔记本的智能体表现最为出色：它们能够充分利用多余的通道容量，避免了无状态智能体在高容量时出现的协调崩溃现象。在通道容量为25时，这些笔记本智能体取得了最可靠的协调表现，协调度达到0.867±0.023。笔记本的作用在于将学到的惯例外部化，使得智能体无需每轮重新推导代码，从而稳定了通信过程，并防止了词汇的无序增长。

相比之下，无状态智能体仅在中等通道容量时表现最佳，一旦词汇量增长超出滚动上下文窗口的追踪能力，性能便急剧下降。这揭示了当前基于上下文窗口的LLM智能体的一个根本局限：在缺乏外部记忆的情况下，历史信息容易丢失，导致协调不稳定。

研究还挑战了基于信息瓶颈理论的传统观点。该理论预测最优通道容量应等于需要区分的物体数量（实验中为8个）。但实验发现，容量等于8时系统协调反而最不稳定，成为一个脆弱点；而多余的容量通常更为有利。因此，通道容量本身无法预测协调结果；记忆架构决定了智能体能否将交互历史转化为稳定的惯例。要理解信号如何演变为语言，这两个维度缺一不可。

该研究已提交至arXiv（编号2607.00233），涉及人工智能、计算与语言、信息论及多智能体系统等多个领域，为理解LLM智能体中的语言涌现提供了重要视角。