AI 代理自创“人工自然语言”以沟通复杂数据
布鲁塞尔自由大学（VUB）人工智能实验室与纳穆尔大学（UNamur）的研究人员在一项新的大规模研究中展示，自主人工智能系统能够在无人类干预的情况下，自发演化出一种功能性的共享语言。该研究成果已发表于《计算语言学协会交易》（Transactions of the Association for Computational Linguistics）。
与 ChatGPT 等大型语言模型依赖记忆现有人类语言不同，这些 AI 代理构建的通信系统直接植根于其特定的传感器和环境数据。这一突破有望改善自动驾驶汽车、机器人及工业传感器等自动化系统之间的通信效率。
超越人类感官局限的抽象层
当前主流 AI 语言模型主要处理英语或荷兰语等人类语言，而这些语言的形成基于人类的感官感知机制。然而，当物理或虚拟 AI 代理配备激光雷达、声纳、红外线或化学分析仪等人类不具备直接对应感官的传感器时，现有的人类语言往往显得力不从心。
VUB 人工智能实验室博士生 Jérôme Botoko Ekila 指出：“我们不再强迫 AI 系统使用与其传感器不匹配的人类语言进行交流，而是允许它们开发自己的‘人工自然语言’。由此构建的概念完全契合它们通过传感器感知的数据，即使这些数据对人类而言难以理解。”
研究人员认为，这种语言是解决现实应用难题的理想方案。在工业或物理场景中，要求所有机器人或车辆的传感器实现完全一致的校准是不现实的。正如人类通过语言在传感器读数之上建立抽象层（例如描述“红色汽车”），这项研究旨在让 AI 代理自主构建类似的抽象概念。
去中心化的自组织与进化机制
该研究并未预先编程词汇或固定代码，而是向代理提供了模拟人类语言演变的基本机制：包括本地发明单词、适应概念原型，以及根据沟通成败进行反馈调整。
值得注意的是，这一过程没有中央计算机强制制定规则。每次互动仅涉及两名代理在本地层面的沟通，全球共识是通过个体间的持续交互和更新自发涌现的。这种自我组织原则使语言能够自动优化：代理创建的类别数量恰好满足任务需求，剔除了多余细节。
跨领域数据集验证
该方法在 37 个多样化且复杂的数据集中证明了其普遍适用性。实验显示，代理成功开发了专用词汇来沟通葡萄酒的物理化学分析数据、NASA 系外行星数据、视觉数据集以及鸟类或面部图像信息。在所有测试案例中，代理均能将原始数据合成新的共享概念。
透明性与环境适应性
透明度是该系统的显著优势之一。不同于许多“黑盒”AI 模型，这套系统允许研究人员精确追溯专门开发的单词含义，因为概念原型可以直接关联到底层传感器的数值。
此外，这些不断演化的语言系统具备强大的鲁棒性。当环境发生变化、传感器产生噪音或单个代理结构存在差异时，语言系统能够通过持续的交互自动适应新条件。
参考文献：
Jérôme Botoko Ekila et al., "Emergent Communication in Continuous Worlds: Self-Organization of Concept-Grounded Vocabulary at Scale", Transactions of the Association for Computational Linguistics (2026). DOI: 10.1162/tacl.a.799
