AI同士が、人間の言葉を使わずに情報を共有する。そんなSFのような技術が、MITなどの研究者らから発表されました。
2026年10月10日に公開された論文のタイトルは「Swarm Telepathy」。研究チームが提案した「SwaT」は、異なるAIモデル同士が、文章を介さずに内部の計算データを受け渡すための技術です。
しかも研究チームは、従来のテキスト要約方式と比べてタスクスコアが平均約40％高く、特定の処理時間が約4分の1になったと報告しています。ただし、どんなAIでも無条件に4倍速くなるという話ではありません。
いったい、何が変わったのでしょうか？
AI同士がわざわざ会話するのは、実は遠回りだった？
現在、複数のAIエージェントを協力させるとき、よく使われるのが文章による情報の引き継ぎです。
例えば、AIにゲームの攻略情報を調べてもらう場面を考えてみましょう。最初のAIが敵の弱点やマップの構造、危険な場所などを調べ、次のAIに「敵の弱点は炎属性。北側の通路には罠があるので注意」といった文章を渡すわけです。
人間にとっては自然な方法ですが、AIにとっては少し遠回りかもしれません。要約する過程で細かな情報が省かれる可能性があり、受け取ったAIも、文章を改めて読み込む必要があるからです。
AIの内部データを直接引き継ぐ「SwaT」
今回の鍵となるのが「KVキャッシュ」という仕組みです。AIが文章などを処理するときに計算した情報の一部を保存し、その後の処理で再利用するためのデータです。例えるなら、AIが作業中に使う「計算済みのメモ」のようなもの。
ただし、モデルによって内部の表現や構造は異なります。あるAIのKVキャッシュを、別のAIがそのまま理解できるとは限りません。
SwaTは、送信側のAIが作ったKVキャッシュを、受信側のAIが利用できる形式に変換します。つまり、文章に書き直して説明するのではなく、計算済みのデータを変換して引き継ぐという発想です。
研究ではQwen、Llama、Gemmaなどを含む6系統・12モデルを対象に、10組のモデル間での引き継ぎを17のベンチマークで評価しました。
もちろん、これはAIの意識や思考を丸ごとコピーする技術ではありません。受信側が質問を別途処理する場面もあり、「AIに文章が一切不要になる」と言い切るのも正確ではないでしょう。
タスクスコア約40％向上、速度約4倍！ ただし条件には注意
研究チームは、送信側のAIが文章で要約を作って渡す「テキスト方式」と、SwaTで内部データを受け渡す方式を比較しました。ここで使われたのはSwaTと、Attention Matchingというキャッシュ圧縮手法を組み合わせた構成です。
比較したのは3組のモデル、7種類のデータセット、5段階の情報量予算。結果として、研究チームは要約方式に対して平均約40％のタスク性能改善と約4倍の処理高速化を報告しています。
論文の表17では、正答率やF1スコアを組み合わせた算術平均のタスクスコアが41.3から58.6へ上がっています。これは約17.4ポイントの差であり、「正答率が40ポイント増えた」という意味ではありません。なお、同表の幾何平均スコアは37.3から55.5で、集計方法によって相対改善率の表現が変わる点にも注意が必要です。
処理時間の集計では、送信側のGPU時間が10,234ミリ秒から2,447ミリ秒に、受信側が最初の出力を始めるまでの時間が20.1ミリ秒から4.7ミリ秒になりました。いずれも幾何平均による集計で、それぞれ約4.2倍、約4.3倍の高速化です。
ただし、これは特定条件における個別の処理時間であり、AIアプリ全体の処理時間が必ず4分の1になることを示したわけではありません。 また、内部データを使えば通信容量まで必ず減るという意味でもありません。
研究では、画像を理解できるAIの処理結果を、テキスト専用のAIへ引き継ぐ実験も行われています。画像を文章で説明して渡す方式より、良い結果を示した組み合わせもありました。
でも、人間には理解できない会話って大丈夫？
文章のやり取りなら、少なくともAIが何を伝えたのかは確認しやすくなります。ただし、文章のログだけですべての内部判断を説明できるわけではありません。
一方、内部データで直接情報を引き継ぐ場合、人間が通信内容を理解するには別の監査手段が必要になるかもしれません。
例えば、誤った情報を受け取ったAIが、それを正しいものとして次の処理に使ったとしたら。どこで間違いが生じたのか、追跡するのが難しくなる可能性があります。
もちろん、今回の研究によってAIが秘密の会話を始めたり、人間の監督を避けたりしたことが確認されたわけではありません。ここからは、技術が普及したときに考えるべき将来の課題です。
AIが何を受け取り、どの操作を実行し、どんな結果になったのか。そうした情報を記録し、必要に応じて人間が確認できる設計が重要になるでしょう。
AIエージェントの連携はどう変わる？
今後、複数のAIが調査・分析・開発などを分担するシステムが広がれば、AI間で情報を受け渡す機会も増えていきそうです。
そのとき、文章に直して説明する必要がなくなれば、処理を効率化できる可能性があります。画像認識を担当するAIから、文章作成を担当するAIへ、情報を渡すケースなども考えられます。
ただし、SwaTが今すぐ一般的なAIサービスに導入できるわけではありません。今回の方式は、モデルの内部キャッシュを扱えることを前提とし、現状では送信側と受信側の組み合わせごとに変換器の学習が必要です。
複数回の引き継ぎで情報がどれだけ劣化するのか、別々のAIから届いた情報をどう統合するかなど、実用化に向けた課題も残っています。
それでも、「AI同士の情報共有は文章で行うもの」という前提を見直す研究として、大きな可能性を感じます。
AI同士が分かり合っても、最後に決めるのは人間
AI同士の通信が高速化すれば、人間は一つひとつの作業を指示するよりも、目的を決めたり成果物を確認したりする役割に集中できるかもしれません。
ただし、通信が速くなることと、判断が正しくなることは別問題です。特に送金、契約、外部サービスへの公開など、取り消しが難しい操作では、事前に権限や実行条件を設定し、必要に応じて人間が最終承認する仕組みが大切です。
AI同士が情報を共有するために、人間の言葉を必要としなくなる未来。それは、AIがもっと効率よく働ける未来であると同時に、人間とAIの間で「何を言葉にして確認するべきか」を改めて考える時代なのかもしれません。
※確認基準日：2026年11月3日。数字は論文（arXiv:2610.15095 v1）に基づきます。本研究は公開プレプリントによる報告であり、実験結果はすべてのモデルやサービスで同じ性能を保証するものではありません。AI間ログの監査や承認の仕組みなど、将来の課題についての記述はYuna Orbitの考察で、研究の結果ではありません。比較図は論文を基にYuna Orbitが作成した概念図で、モデル内部の構造を厳密に再現したものではありません。挿絵とサムネイルはAIで生成したイメージで、実際の装置や論文の図ではありません。
出典・参考資料
