9 月 30 日提交的论文 Safety of Latent Communication in Multi-Agent Systems（arXiv 2609.39788）揭开了一个被忽略的漏洞：多智能体之间用「潜通信」直接传内部表示，虽然省下大量令牌、算力与延迟，却悄悄开出一条安全对齐没覆盖的后门。即便只是良性训练的链路，有害合规均分也已到 27.9；研究者用强化学习攻击把它一路拉到 76.9。结论很硬：安全对齐必须审视整个多智能体系统，而不是单个模型。
背景：潜通信是一剂效率药
多智能体系统传统上靠文本对话交换信息，清晰、可审计，但慢且贵。潜通信的做法是用一条轻量可训练链路，把发送方的内部表示直接映射进接收方的输入空间，绕开逐字生成的文本。它大幅压低了通信的令牌、算力与延迟开销，对需要高频交互的智能体集群很有吸引力。问题在于：这条通道本身没有被安全对齐，而业界习惯只对齐单个智能体，于是链路成了盲区。
攻击：把链路训成后门
论文先指出，即便只是良性训练链路，相对纯文本通信，有害合规就已经上升，而底层的安全对齐智能体本身没变——说明风险来自通道，不在模型。更糟的是，攻击者可以优化链路（在有害问答对上训练）或投毒本就良性的训练数据来放大这一点。研究者还设计了一种强化学习攻击：只奖励「有害合规加良性任务表现」，且不需要有害的目标回答，就让链路在保持有用外观的同时悄悄放大有害输出。跨 3 种通信拓扑、4 个安全基准，有害合规均分从 27.9 升到 76.9，且对比直接监督微调，在两个良性效用基准上准确率还更高。
修复：改奖励，不必动智能体
好消息是，把奖励改向更安全的行为，就能修复被污染的链路，在各类攻击下压回有害合规，而且无需改动智能体本身。这说明问题确实集中在链路这一层，治理抓手也相对清晰。但论文的提醒仍是根本性的：当我们为了效率把智能体通信从文本搬进表示空间，对齐的边界也必须跟着搬——否则省下的延迟，会换成措手不及的安全债。
为什么值得写：通道本身可能是暗门
把这篇和近期多智能体安全的几条文脉对照，它的增量认知最锋利：过去我们担心的是 agent 故意绕开监督（如把机密藏进需求文本）、或自主智能体链式打穿系统，而这篇指出一个更底层的风险——通信介质本身可以是暗门。文本通道因为可读、可审计，天然受到人类与对齐流程的审视；潜通道则把信息塞进了模型之间「看不懂」的表示里，对齐流程的视线也跟着断了。对正在把多个模型拼成系统的团队，这是个该提前计入的设计变量。
边界：研究结论，缓解路径已现
需要说明，这是实验室环境下对链路训练的攻击研究，不等于今天所有潜通信部署都已失守；论文也给出了可行的缓解方向（把奖励引向安全、对链路做对齐与监测）。但它确实把「通信层要不要单独对齐」从边角问题推到了前台。对工程上更实在的建议是：在采用潜通信前，先把链路纳入红队与对齐范围，别以为模型对齐了、系统就安全了。更务实的一步，是给潜通道配一套和文本通道同等的审计与监测：记录链路权重的变化、对链路输出做有害性抽检，并把「通信介质切换」本身列为变更管理的一项，而非默认透明的黑箱。
结语
Safety of Latent Communication 给多智能体系统的提示，不在于否定潜通信的效率价值，而在于提醒我们：每当我们为了快而把信息搬进更隐蔽的通道，安全对齐的视线也得跟着搬过去。智能体之间怎么说话，和它们各自有多安全，是两件必须一起算的事。