神经网络交互的经典范式——模型仅通过生成的文本进行交流——正在成为过去。我在Mostik研究团队的同事们提出了一种截然不同的方法：他们学会了在AI系统之间传递的不是文字，而是其内部状态——即神经网络在答案被语言化之前，在其深处形成的“原始”信息。
该方法的核心在于使用一个特殊的可适配模块，我愿称之为“隐藏表示转换器”。这座“桥梁”将一种模型的内部向量转换为另一种模型可理解的格式，而神经网络本身的参数保持不变，无需进行微调。这与流行的蒸馏或联合学习技术有着根本性的区别。
数字鸿沟：为何词语是瓶颈
我的计算证实：在生成仅仅一个词元之前，大型语言模型（LLM）就会形成超过一百个隐藏向量，这相当于约一百万个数值或约2MB的数据。而文本回答中仅包含这一信息财富的极小一部分。新的通信渠道正是旨在传递这些中间表示，从而开启对更密集、语义更丰富的数据流的访问。
实验：巨人思考，侏儒说话
为验证这一假设，团队进行了一项示范性实验，将两个极端连接起来：来自Z.ai的拥有7530亿参数的强大模型GLM-5.2，以及来自阿里巴巴的拥有40亿参数的紧凑型模型Qwen-3.5。大模型仅扮演“分析师”角色，处理请求但不生成回答。其内部状态通过“桥梁”传递给小模型，由后者来形成最终文本。
结果令人印象深刻：这种组合将小模型与大模型之间的质量差距缩小了约一半。与传统的文本传递相比，新方法在相同计算量下显示出高达10个百分点的优势。此外，混合系统在展示与中等规模模型相当的结果时，所需计算资源减少了约2.5倍。
寻找共同的数学语言
Mostik首席科学家斯坦尼斯拉夫·斯米尔诺夫正确地指出了根本性问题：不同神经网络的内部表示无法直接进行比较。即使解决相同的任务，两个模型也可能在其隐藏状态中以完全不同的方式编码信息。“似乎目前尚不存在合适的数学语言，”他强调道。这是关键挑战：研究这些对应关系不仅是工程任务，更是理解不同AI系统如何感知世界和做出决策的途径。
该方法对行业的实际价值显而易见。前Google DeepMind研究员卡尔·图伊尔斯认为主要场景在于分工：资源密集型模型处理请求，而回答的生成则由一个体积小得多的模型承担。Lovable的技术负责人弗拉基米尔·阿鲁斯塔米扬预测，高度专业化模型的需求将增长：开发者不再需要打造“全能战士”，而是可以组合多个具有不同能力的系统——例如，将通用推理模型与基于生物学或物理学数据训练的模型相结合。
实证验证与“预览”状态
值得注意的是，团队还在ARC-AGI-3测试中应用了他们的方法，该测试要求AI在交互模式下适应新规则。带有“桥梁”的系统在当前排名中表现出最佳结果之一，但这些数据处于“预览”状态，基于不完整的测试集。所有声称的效率指标同样基于团队内部实验，尚未获得独立的外部验证。
我的结论：这种方法可能成为分布式AI系统新架构的基础，其中计算能力和专业化将是模块化的，而非单一整体的。然而，在工业应用之前，仍需解决在不同模型之间标准化“思想交换协议”这一艰巨任务。毕竟，即使在人类中，这也花费了数千年的语言进化。