AI 能否繞過人類語言，進行「直接」對話？

試著想像一下：你正在和一位外國朋友交談。過去，你必須先在腦中將句子組織成完美的韓語，交給翻譯機轉成英語，傳遞給朋友，朋友再翻譯成自己的母語來理解，這是一個漫長的過程。如果我們能直接連結大腦，像心電感應一樣傳遞「概念」本身，那會是什麼樣子？

人工智慧（AI）領域也正在發生類似的變革。至今為止，AI 模型之間分享資訊時，都必須像人類交談一樣生成文字，對方再重新閱讀並理解，過程十分繁瑣。然而，隨著一種名為 「Cache-to-Cache (C2C)」 的新通訊範式出現，這種慣例正在被打破。

為什麼這很重要？

至今為止，大型語言模型（LLM）在相互協作時，仍被困在文字這種「瓶頸區間」裡。就像人類寫作時需要思考、推敲語句一樣，AI 模型為了傳遞資訊，也浪費了大量的時間與資源去生成文字（出處: MarkTechPost）。

C2C 完全省略了這個過程。這項技術不僅解決了 AI 的速度問題，還減少了轉換為文字過程中產生的「資訊損失」（出處: MarkTechPost）。這意味著 AI 代理（Agents）能夠以更快、更精確的方式進行協作的時代即將到來。

輕鬆理解

要理解 C2C，首先必須了解 「KV-Cache」 的概念。簡單來說，KV-Cache 是 AI 在處理句子時使用的「短期記憶儲存區」。為了不讓 AI 每次都從頭閱讀之前的內容，系統會將重點資訊摘要存入其中，就像隨手記下的筆記一樣。

傳統方式是將這些筆記內容重新轉化為文字，再傳遞給對方模型。但 C2C 則是將這些筆記本身直接交給對方（出處: AI Future Front）。

當然，每個模型所使用的「語言」或記錄方式可能有所不同，對吧？為了克服這個問題，C2C 在模型之間部署了一個額外的「翻譯官神經網絡」。這個神經網絡會將源模型（提供資訊的 AI）的筆記，重構成目標模型（接收資訊的 AI）能理解的方式（即投射與融合）（出處: arXiv）。特別是它擁有一種聰明的「選擇性過濾機制（Gating Mechanism）」，不會將資訊一股腦地灌入對方模型的所有層級，而是精準挑選最有效的位置來傳遞資訊（出處: OpenReview）。

比喻來說，就像兩位畫家在作畫時，他們不必用言語解釋，而是直接共享對方的調色盤與筆觸技巧，共同完成一幅畫作。

現狀

研究結果令人驚艷。應用 C2C 技術後，準確度比傳統基於文字的通訊方式提高了約 3.0% 至 5.4%，而通訊速度（延遲）平均提升了 2.0 倍至 2.5 倍（出處: arXiv）。在某些實驗中，其準確度甚至比單一模型的使用高出約 6.4% 至 14.2%（出處: arXiv）。

目前這項技術已經成功實現了模型間知識的直接傳輸（出處: arXiv）。研究團隊成功完成了將擁有 40 億參數的模型（Qwen3-4B）中的知識，傳輸至擁有 6 億參數的小型模型中的實驗；視覺化結果顯示，傳輸的資料自然地融入了目標模型的思考領域中（出處: C2C 專案頁面）。

未來展望

C2C 將會極大化 AI 服務的效率。現在，當我們要求 AI 執行複雜任務時，往往會因為 AI 需要獨自思考或頻繁傳遞文字而導致回應遲緩。但在未來，各個領域專屬的 AI 模型將透過 C2C 像一個龐大的大腦一樣交換資訊，並即時做出回應。

我們現在正超越「語言模型」，邁向「智慧通訊網絡」時代。隨著 AI 之間的對話變得更深、更快，我們生活中的 AI 助理將會比現在更聰明、更有效率。

MindTickleBytes 的 AI 記者觀點

AI 開始擺脫「人類語言」的束縛，直接共享資料，這一點非常有意思。這或許證明了 AI 正在率先克服人類在溝通時所面臨的語言隔閡與表達侷限。不久之後，AI 將不僅僅是與我們「對話」，更會在我們背後，在看不見的知識高速公路上飛馳。

參考資料

1. [2510.03215] Cache-to-Cache: Direct Semantic Communication Between Large Language Models (https://arxiv.org/abs/2510.03215)
2. Paper page - Cache-to-Cache: Direct Semantic Communication Between Large Language Models (https://huggingface.co/papers/2510.03215)
3. GitHub - thu-nics/C2C (https://github.com/thu-nics/C2C)

4. Cache-to-Cache: Direct Semantic Communication Between Large Language Models

   OpenReview (https://openreview.net/forum?id=LeatkxrBCi)

5. Cache-to-Cache: Direct Semantic Communication Between Large Language Models (https://arxiv.org/html/2510.03215v2)
6. [2510.03215v1] Cache-to-Cache: Direct Semantic Communication Between Large Language Models (https://arxiv.org/abs/2510.03215v1)
7. Cache-to-Cache(C2C): Direct Semantic Communication Between Large Language Models via KV-Cache Fusion - MarkTechPost (https://www.marktechpost.com/2025/11/04/cache-to-cachec2c-direct-semantic-communication-between-large-language-models-via-kv-cache-fusion/)
8. Cache-to-Cache: Direct Semantic Communication Between Large (https://arxiv.org/pdf/2510.03215)
9. ICLR Poster Cache-to-Cache: Direct Semantic Communication (https://iclr.cc/virtual/2026/poster/10010020)
10. Cache-to-Cache: Direct Semantic Communication Between Large (https://liner.com/review/cachetocache-direct-semantic-communication-between-large-language-models)
11. Cache-to-Cache (https://fuvty.github.io/C2C_Project_Page/)

12. Cache-to-Cache

    OpenTrain AI (https://www.opentrain.ai/papers/cache-to-cache-direct-semantic-communication-between-large-language-models–arxiv-2510.03215/)

13. Cache-to-Cache: Direct Semantic Communication Between Large (https://www.headlinne.com/articles/cache-to-cache-direct-semantic-communication-between-large-language-models-hacker-news)
14. Cache-to-Cache (C2C): Direct Semantic Communication Between (https://aifuturefront.com/cache-to-cachec2c-direct-semantic-communication-between-large-language-models-via-kv-cache-fusion/)