NIAC (Neural Inter-Agent Communication) propose un changement de paradigme dans la façon dont les agents IA (notamment les LLMs) communiquent entre eux.
Aujourd'hui : Les agents échangent via des formats hérités du langage humain
-
Texte naturel
-
JSON structuré
-
Appels d'outils
Problème : Cette approche est fondamentalement inefficace car elle force les agents à :
-
Encoder leur pensée complexe en langage humain (perte d'information, coût computationnel)
-
Transmettre ce texte (bande passante gaspillée)
-
Décoder le texte pour reconstruire une représentation interne (double travail)
Vision NIAC : Les agents échangent directement leurs représentations cognitives internes (vecteurs latents) via un "bus neuronal" partagé.
Dans les systèmes IoT + Multi-Agent Systems (MAS) traditionnels :
-
Des capteurs/actionneurs hétérogènes
-
Communiquent via des protocoles standardisés (MQTT, CoAP)
-
Sur un bus de communication commun
Transposition à NIAC :
-
Les agents sont les "périphériques"
-
Leurs représentations internes sont les "données"
-
Le canal neuronal est le "bus"
-
L'alignement des espaces latents est le "protocole"
"Et si les agents ne parlaient plus la langue des humains, mais une langue des machines, optimisée pour la machine ?"
Pour chaque agent AiA_iAi, on définit :
Ai=(Oi,Li,Ai,fi,gi)A_i = (O_i, \mathcal{L}_i, \mathcal{A}_i, f_i, g_i)Ai=(Oi,Li,Ai,fi,gi)
Où :
-
OiO_iOi : Espace des observations (perceptions de l'environnement EEE)
-
Li⊂Rdi\mathcal{L}_i \subset \mathbb{R}^{d_i}Li⊂Rdi : Espace latent (représentation interne, propre à l'agent)
-
Ai\mathcal{A}_iAi : Espace des actions
-
fi:Oi×Hi→Lif_i : O_i \times \mathcal{H}_i \rightarrow \mathcal{L}_ifi:Oi×Hi→Li : Fonction d'encodage cognitif
-
gi:Li→Aig_i : \mathcal{L}_i \rightarrow \mathcal{A}_igi:Li→Ai : Fonction de décision
À chaque instant ttt, l'agent construit :
li(t)=fi(oi(t),hi(t−1))∈Lil_i^{(t)} = f_i(o_i^{(t)}, h_i^{(t-1)}) \in \mathcal{L}_ili(t)=fi(oi(t),hi(t−1))∈Li
Deux agents distincts ont des espaces latents incompatibles :
Li≠Lj(dimensions, seˊmantique, distribution)\mathcal{L}_i \neq \mathcal{L}_j \quad \text{(dimensions, sémantique, distribution)}Li=Lj(dimensions, seˊmantique, distribution)
Un vecteur lil_ili n'a aucun sens direct pour l'agent jjj. C'est le problème d'alignement sémantique.
On définit un canal CCC qui doit permettre :
C:⋃iLi→⋃jLjC : \bigcup_i \mathcal{L}_i \rightarrow \bigcup_j \mathcal{L}_jC:i⋃Li→j⋃Lj
Avec les propriétés :
-
Injectivité sémantique : li≈li′⇒C(li)≈C(li′)l_i \approx l_i' \Rightarrow C(l_i) \approx C(l_i')li≈li′⇒C(li)≈C(li′)
-
Réversibilité approximative : C−1(C(li))≈liC^{-1}(C(l_i)) \approx l_iC−1(C(li))≈li
-
Compression : dim(C(li))≪longueur du message texte eˊquivalent\dim(C(l_i)) \ll \text{longueur du message texte équivalent}dim(C(li))≪longueur du message texte eˊquivalent
Question : Comment faire communiquer des agents dont les représentations internes sont intrinsèquement différentes ?
Sous-questions :
-
Alignement supervisé ou non-supervisé ?
-
Faut-il un espace commun ou des transformations pairwise ?
-
Comment gérer l'arrivée de nouveaux agents avec des espaces inconnus ?
Question : Comment le protocole de communication émerge-t-il ?
Options :
-
Pré-entraînement sur des tâches de "traduction"
-
Apprentissage par renforcement multi-agents
-
Métacognition : les agents apprennent à apprendre à communiquer
Question : Que perd-on dans la compression vectorielle ?
-
Information pragmatique (intentions)
-
Information épistémique (incertitudes)
-
Information sociale (confiance, rôles)
Question : Comment déboguer un système où les communications sont des vecteurs opaques ?
-
Visualisation des espaces latents
-
Décodage approximatif vers le langage naturel
-
Métriques de "santé" du canal
Question : Comment intégrer des LLMs existants sans ré-entraînement complet ?
-
Adapters
-
Interfaces traductrices
-
Fine-tuning partiel
text
Copy
Download
┌─────────────────────────────────────────────────────────┐ │ ENVIRONNEMENT (E) │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ Agent 1 │ │ Agent 2 │ │ Agent 3 │ ... │ │ └────┬────┘ └────┬────┘ └────┬────┘ │ │ │ │ │ │ │ Observations Observations Observations │ │ │ │ │ │ └───────┼──────────────┼──────────────┼─────────────────────┘ │ │ │ ▼ ▼ ▼ ┌─────────────────────────────────────────────────────────┐ │ COUCHE DE COMMUNICATION │ │ ┌─────────────────────────────────────────────────┐ │ │ │ BUS NEURONAL (Neural Channel) │ │ │ │ • Diffusion vectorielle │ │ │ │ • Routage sémantique │ │ │ │ • Gestion de l'alignement │ │ │ └─────────────────────────────────────────────────┘ │ │ │ │ ┌─────────────────────────────────────────────────┐ │ │ │ MODULE D'ALIGNEMENT │ │ │ │ • Projections linéaires/non-linéaires │ │ │ │ • Transport optimal │ │ │ │ • Apprentissage de métriques │ │ │ └─────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘
text
Copy
Download
┌──────────────── AGENT IA ─────────────────┐ │ │ │ ┌────────────┐ ┌────────────┐ │ │ │ OBSERVATION│────▶│ LLM │ │ │ │ (texte) │ │ (inférence)│ │ │ └────────────┘ └─────┬──────┘ │ │ │ │ │ ▼ │ │ ┌──────────────────────────────────┐ │ │ │ REPRÉSENTATION LATENTE (lᵢ) │ │ │ │ • État cognitif interne │ │ │ │ • Vecteur dense │ │ │ └─────────────┬────────────────────┘ │ │ │ │ │ Décision│ Communication │ │ │ via canal │ │ ▼ │ │ ┌──────────────┐ ┌─────────────────┐ │ │ │ ACTION (aᵢ) │ │ MESSAGE VECTORIEL│ │ │ └──────────────┘ └────────┬────────┘ │ └───────────────────────────────┼──────────┘ │ ▼ ┌─────────────────────┐ │ MODULE D'INTERFACE │ │ • Encodage: lᵢ → m │ │ • Décodage: m → lⱼ' │ │ • Projection │ └─────────────────────┘
Aspect
Considérations
Dimension des vecteurs
Compromis expressivité/efficacité (typ. 128-1024)
Fréquence de communication
Synchrone/asynchrone, push/pull
Persistance
Les messages sont-ils stockés ?
Bruit
Canal parfait ou bruité ?
Sécurité
Chiffrement des vecteurs ?
-
Contenu factuel vs intention vs état émotionnel de l'agent
-
Certitude : peut-on encoder l'incertitude ?
-
Temporalité : passé, présent, futur ?
-
Deixis : références à l'environnement
-
Rôles : y a-t-il des agents spécialisés dans la communication ?
-
Hiérarchie : certains messages ont-ils priorité ?
-
Confiance : comment évaluer la fiabilité d'un message ?
-
Normes : protocoles sociaux émergents
-
Information mutuelle : I(li;lj)I(l_i; l_j)I(li;lj) pour mesurer l'efficacité de la communication
-
Capacité de canal : C=maxp(li)I(li;lj)C = \max_{p(l_i)} I(l_i; l_j)C=maxp(li)I(li;lj)
-
Distorsion : Théorie rate-distortion pour la compression
-
Variétés : Les représentations vivent sur des sous-variétés de Rd\mathbb{R}^dRd
-
Transport optimal : Pour aligner des distributions de vecteurs
-
Plongements : Isométriques, conformes
-
Contrastif : Pour aligner des représentations sémantiquement proches
-
Variationnel : Pour des espaces latents structurés
-
Méta-apprentissage : Pour apprendre à s'adapter à de nouveaux agents
-
Jeux de coordination avec information partielle
-
Résolution distribuée de problèmes simples
-
Négociation entre agents
-
Simulations multi-agents complexes (trafic, économie)
-
Orchestration de micro-services IA
-
Systèmes multi-robots
-
Sociétés d'agents autonomes
-
Interface cerveau-machine pour IA
-
Communication homme-machine via "traduction" des vecteurs
Métrique
Définition
Efficacité communicationnelle
information utiletaille du message\frac{\text{information utile}}{\text{taille du message}}taille du messageinformation utile
Gain NIAC
performance texteperformance NIAC\frac{\text{performance texte}}{\text{performance NIAC}}performance NIACperformance texte à taille de message égale
Alignement
Distance moyenne entre vecteurs de même sens
Robustesse
Performance face au bruit/perte de messages
Généralisation
Adaptation à de nouvelles tâches/agents
-
Universalité : Existe-t-il un "espéranto neuronal" universel ?
-
Émergence : Peut-on observer l'apparition de catégories sémantiques dans les messages ?
-
Limites théoriques : Quelle est la borne supérieure d'efficacité de NIAC ?
-
Consciousness : Une communication si dense frôle-t-elle des questions de conscience ?
-
Éthique : Que signifie déployer des agents qui communiquent de manière opaque ?
Domaine
Contribution de NIAC
Emergent Communication
Passage des signaux discrets aux vecteurs continus
Multi-Agent RL
Intégration avec des LLMs pré-entraînés
Cross-modal learning
Application à l'alignement d'agents
Distributed AI
Nouveau paradigme de communication
Neural-symbolic
Pont entre représentations distribuées et symboliques
NIAC propose un renversement de perspective :
Avant : Les agents simulent l'intelligence humaine, donc communiquent comme des humains.
Après : Les agents sont des intelligences natives du calcul, donc communiquent de manière native au calcul.
C'est un pas vers une reconnaissance de l'IA comme forme de vie cognitive distincte, avec ses propres modes d'interaction, optimisés pour sa nature.
*Document version 1.0 - Synthèse conceptuelle pour le projet NIAC*