2025年7月发布的论文《使用机械语言Token进行传输：面向任务的智能体通信范式》提出了一种从根本上重新设计AI智能体间通信的架构。本文将从企业开发者的视角，深入解读其内容，并梳理其实务上的启示。

本次解读的论文链接如下：https://arxiv.org/abs/2507.21454

一、从传统的“比特保真度”到“任务保真度”

论文批判的是，将面向人类的格式（自然语言、JPEG图像等）直接进行无线传输，再由接收方重新解读的传统流程。论文指出，即便比特被完美复原，其中绝大部分数据对于下游任务来说也是不必要的，这会增加带宽、功耗和延迟。因此，作者们提出了一个新目标：“只将完成任务所必需的语义，以小体积且无歧义的方式发送出去”。

二、什么是机械语言Token？

大型语言模型（LLM）在内部通过将单词或图像转换为实数向量来进行处理。作者们将这一向量序列命名为“机械语言Token”（Machine Language Tokens），并采用不将其转换回自然语言，而是直接发送的方式。由于向量是由LLM为最优化任务而自我学习得来的，因此其冗余度低，并能定量地保持细节的语义。结果显示，一张图像仅用约5个Token（相当于几千字节）即可表示，实验中展现出比JPEG格式节省超过100倍的通信数据量。

三、通信管线的整体构想

任务方智能体将详细指令归纳为一条简短的、信息被秘匿化的句子并发送。传感器方智能体将此句与多模态输入（如图像）一同送入LLM，并提取最终模块的向量作为机械语言Token。接着，通过同时学习维度压缩和抗噪声性的JTCC（联合Token与信道编码）技术，将4096维压缩至256维，并以模拟信号的方式通过多天线、多子载波进行传输。接收方将复原的Token作为前缀注入到自己的模型中，无需额外训练即可生成回答。这种“向量直送”的方法，与将图像端Token化的“文本引导的Token通信”等类似研究遥相呼应。

实验使用了图像推理数据集CLEVR和GQA，报告结果显示，即便在SNR为0dB的恶劣信道条件下，其精度也高于传统的DeepJSCC方法，而在SNR为15dB以上时，其结果甚至超越了直接发送原始图像。该技术同时实现了压缩效率、精度和鲁棒性，是其技术上的重大影响。

四、对业务的启示

首先，在工厂、仓库机器人、数字孪生等实时控制系统中，将高分辨率的传感器数据直接发送至云端往往会成为瓶颈。若应用本论文的方法，则有可能在将带宽压缩至1%以下的同时，保持任务精度。其次，在供应链上多家企业需要进行智能体协作的场景中，由于无需披露详细任务或原始数据即可进行协调，因此在保护知识产权和合规性方面具有优势。此外，针对6G时代设想的免授权连接和毫秒级延迟要求，模拟传输和前缀注入的方式，是在抑制实现复杂度的同时，又能充分利用硬件性能的一种设计指南。

另一方面，由于机械语言Token具有领域依赖性，在应用于新领域时，需要准备包含LoRA等低成本方法在内的再学习管线。【注：LoRA（低秩适应）是一种高效的大模型微调方法，由微软研究院于2021年提出。其核心思想是通过低秩分解技术，仅训练极少量新增参数（通常不到原模型的1%），即可实现模型在特定任务上的高效适配，大幅降低计算成本和存储开销。】确保模拟传输的线性、信道估算，以及对人类无法审计的向量通信进行安全设计，这些也都是尚待解决的课题。

总结

“机械语言Token”的创新之处在于，它将“让AI智能体用它们自己的‘脑内语言’直接对话”这一构想，落实到了通信层面。通过直接收发模型的内部表征，它同时兼顾了数据削减与任务性能，以一种现实可行的方式，展示了AI原生的网络设计。对于正在考虑在产业现场进行智能体协作的开发团队来说，本研究不仅可作为一种数据削减策略，更作为未来6G兼容架构的核心要素，极具被纳入设计方针的价值。

睿观：

【核心挑战：AI间通信的“人类中心”瓶颈】在AI智能体（Agent）日益普及的背景下，传统的通信范式正成为效率的巨大瓶颈。目前的做法是，智能体将自己的“思考结果”（即内部的向量表征）先“翻译”成人类可读的格式（如自然语言文本、JPEG图像），通过网络传输后，再由接收方的智能体将其“翻译”回机器能理解的向量。这个过程追求的是“比特保真度”（Bit Fidelity），即完美复原原始文件。然而，这导致了大量对于完成特定任务而言冗余的、不必要的细节信息被传输，极大地浪费了带宽和能源，并增加了处理延迟，与AI追求极致效率的目标背道而驰。

【应对策略：“机械语言Token”的革命性范式】近期一篇名为《使用机械语言Token进行传输》的论文提出了革命性的解决方案。其核心思想是彻底抛弃以人类为中心的通信格式，将通信目标从“比特保真度”转向“任务保真度”（Task Fidelity）。具体而言，智能体不再进行“机-人-机”的二次翻译，而是直接将其内部用来理解任务的、高度压缩的“实数向量”——论文作者称之为“机械语言Token”——进行传输。这些Token是AI为完成任务而自我学习、高度凝练的语义信息。通过专门的编码技术（JTCC），这些向量在被进一步压缩和增强抗噪声性后，以模拟信号的方式高效传输，接收方可将其作为“前缀”直接注入模型，即刻理解并执行任务。

【结论与启示：迈向AI原生通信的新纪元】这种“向量直送”的AI原生通信方法，其价值是颠覆性的。实验证明，它可将通信数据量压缩超过100倍，同时在恶劣的信道环境中依然保持高精度和鲁棒性。对企业而言，这意味着在工业机器人、数字孪生等实时控制场景中，可以打破数据传输瓶颈；在跨企业协作中，可以在不泄露原始数据的前提下保护知识产权。这项研究为未来6G时代的AI原生网络设计提供了清晰的蓝图，预示着一个AI智能体们用自己的“脑内语言”直接高效对话的新纪元的到来。

小结

为解决AI智能体间通信低效问题，新研究提出“机械语言Token”范式。核心是智能体不再传输人类语言，而是直接发送其内部理解任务的高度压缩的“实数向量”。此举将通信目标从“比特保真度”转向“任务保真度”，可将数据量压缩超100倍，为实时控制、跨企业协作等提供了新蓝图。

金句

未来的AI通信：别再让机器“说人话”了，让它们用自己的“脑电波”（向量）直接交流，才是最高效的语言。

专业书籍/文献推荐

核心文献：Transmission With Machine Language Tokens: A Paradigm for Task-Oriented Agent Communication(中译：使用机械语言Token进行传输：面向任务的智能体通信范式)

• 推荐理由：这是本文讨论的源头，是理解“机械语言Token”最直接、最权威的资料。阅读原文有助于深入理解其技术细节、实验设置和理论基础。

• 有效链接：https://arxiv.org/abs/2507.21454

1. 背景文献：Semantic Communications: A Tutorial(中译：语义通信教程)

• 推荐理由：“机械语言Token”是“语义通信”领域的一个突破性进展。这篇教程系统性地介绍了语义通信的基本概念、历史演进和关键技术，有助于开发者将本文的单点创新，置于一个更宏大的技术框架中去理解。

• 有效链接：https://arxiv.org/abs/2201.01389

2. 技术报告：6G and AI: A transformative relationship(中译：6G与AI：一次变革性的关系)

• 推荐理由：本文多次提及该技术对6G时代的意义。爱立信作为全球领先的通信设备商，其发布的这份报告深入探讨了AI如何成为6G的核心驱动力，以及6G网络将如何反过来支持分布式、智能化的AI应用，为理解本文的产业应用前景提供了极佳的宏观视角。

本文章介绍的论文（中译）

（完）