Hur AI-agenter uppfinner sitt eget språk – och varför minnet spelar större roll än ordförrådets storlek
Forskare lät par av AI-agenter skapa ett gemensamt kodsystem från grunden, och fann att hur agenten lagrar sina erfarenheter är viktigare än hur stort 'ordförråd' den får tillgång till. Agenter med en privat anteckningsbok (persistent minne) nådde den högsta koordinationsgraden – 0,867 vid kanalkapacitet 25 – medan minneslösa agenter presterade sämre ju fler symboler de fick att välja på. Det intressanta är att mer kapacitet inte är problemet; utan någonstans att faktiskt skriva ner vad man kommit överens om faller konventionerna ihop.
Djupdykning
Två AI-agenter sätts i ett rum utan gemensamt språk och måste uppfinna ett från scratch – det är precis vad ett så kallat Lewis signaling game testar, ett klassiskt tankeexperiment från spelteori som nu används för att förstå hur språk faktiskt uppstår. Forskarna förväntade sig att "kanalkapacitet" (ungefär: hur stort ordförråd agenterna får använda) skulle vara den avgörande faktorn, men det visade sig att minnesarkitekturen spelade en mycket större roll. Agenter som fick en privat anteckningsbok där de kunde spara vad de kommit överens om presterade dramatiskt bättre än stateless agenter – det vill säga agenter som inte minns något mellan runderna utan måste rekonstruera hela konventionen från det rullande kontextfönstret varje gång. Det de flesta missar när de diskuterar LLM-förmågor är att minne inte bara är en praktisk feature – det är en arkitektonisk förutsättning för att konventioner ens ska kunna stabiliseras. En stateless agent kan vara hur smart som helst men sjunker ändå in i kaos när ordförrådet växer, för att det inte finns någonstans att förankra vad orden faktiskt betyder. Det är lite som skillnaden mellan en organisation med en delad wiki och en som kör allt via e-posttrådar som ingen arkiverar – kunskapen finns kortvarigt men dissiperar.