Когда команда растёт, вопрос «как мы обмениваемся знаниями» почти всегда решается стихийно: кто-то пишет в общий чат, кто-то ведёт заметки, кто-то предпочитает личные разговоры. Формальные регламенты при этом либо не заводят вовсе, либо списывают с прошлого места работы. Новая работа на arXiv подсказывает, что ручное проектирование таких правил может оказаться не самым эффективным путём — по крайней мере, когда речь идёт о коллективном поиске решений.
О чём вообще речь
Коллективный интеллект — будь то научная группа, инженерная команда или сообщество разработчиков — во многом зависит от процессов передачи знаний. Кто именно делится информацией, чем именно, с кем и в какой момент — всё это определяет, насколько быстро группа приходит к решению. Такие процессы частично складываются сами собой, из индивидуальных привычек и познавательных особенностей участников, но их можно и целенаправленно задавать сверху.
До сих пор исследования влияния передачи знаний на групповые результаты шли преимущественно через призму сетевой структуры: меняли, кто с кем связан и как часто происходит обмен. Такой подход удобен, но у него есть принципиальное ограничение.
Проблема сетевых моделей
Сеть, какой бы сложной она ни была, не знает состояния участников. Она не может решить «передать вот это именно сейчас, потому что коллега как раз упёрся в нужную подзадачу» или «придержать информацию, пока группа не накопила достаточно контекста». Топология описывает каналы, но не содержание и не момент.
Иными словами, классические модели отвечают на вопрос «кто с кем», но игнорируют вопрос «что и когда». А ведь именно от второго часто зависит, окажется ли обмен полезным или превратится в шум.
Протоколы, которые учитывают состояние
Авторы работы «Discovering Adaptive Transmission Programs for Collective Innovation» предлагают формализовать правила обмена как программы, чувствительные к состоянию (state-aware programs). Такая программа маршрутизирует информацию и ресурсы, отталкиваясь от текущего положения дел — что знает конкретный агент, в каком состоянии находится коллектив целиком.
Это смещает акцент: вместо «нарисуем граф связей» мы получаем «напишем алгоритм, который в каждый момент решает, кому что передать». Естественно, вручную такой алгоритм не спроектируешь — пространство возможных правил огромно, а интуиция здесь плохой советчик.
Как искали подходящие правила
Для задачи коллективного открытия исследователи применили эволюционный поиск, в котором направление движения подсказывает языковая модель. По сути, LLM выступает генератором гипотез: предлагает варианты протоколов, а эволюционный механизм отбирает те, что реально улучшают групповой результат, и порождает следующие поколения на их основе.
Такой симбиоз — не редкость в современных работах, но здесь важен результат: найденные в ходе поиска протоколы обошли стандартные базовые линии из литературы, причём прирост коллективной производительности достигал 37%. Это не косметическое улучшение, а разница между «команда работает обычно» и «команда работает заметно лучше» — при том же составе и той же задаче.
Проверка на честность
Красивую цифру легко получить случайно, поэтому авторы провели аблации — то есть поочерёдно убирали отдельные элементы найденных протоколов. Самый показательный результат: если сохранить топологию сети и тайминг обменов, но убрать зависимость от содержания и состояния, преимущество исчезает полностью.
Именно это и есть главный аргумент статьи. Прирост даёт не хитро устроенная схема связей и не удачное расписание, а чувствительность к тому, что происходит внутри участников и группы. Аблация отсекает альтернативное объяснение и оставляет одно.
Работает ли это за пределами одной задачи
Второй важный результат — переносимость. Эволюционировавшие протоколы сохраняли эффективность при изменении вариаций предметной области и при замене популяции агентов. Иначе говоря, найденное правило не подогнано под конкретный узкий сценарий, а отражает что-то более общее о том, как стоит распределять информацию в группе.
Что это значит для реальных команд
Вывод авторов звучит так: эффективные и обобщаемые протоколы передачи знаний можно находить in silico, то есть в симуляции, ещё до того, как они появятся в живой команде. Это открывает путь к AI-ассистированному проектированию координационной инфраструктуры — правил, ритуалов и инструментов, которые повышают коллективный интеллект людей, а не заменяют его.
На практике это может выглядеть так:
- Правила обмена перестают быть универсальными. Вместо одного регламента «все пишут отчёты по пятницам» появляются сценарии, зависящие от того, на какой стадии находится работа и что уже известно участникам.
- Появляется запрос на состояние. Чтобы протокол работал, системе нужно понимать, кто что знает и где застрял. Это уже вопрос инструментов — трекеров задач, баз знаний, систем документации.
- Проектирование правил становится отдельной задачей. Не «спишем у соседей», а «прогоним несколько вариантов на модели и посмотрим, какой даёт лучший результат».
Стоит оговориться: статья опубликована в рубрике cs.AI на arXiv, представлена на CogSci 2026, а расширенная версия, по словам авторов, ещё готовится. Речь идёт об исследовании на симуляциях, а не о готовом продукте, который можно завтра внедрить в отделе из двадцати человек. Перенос результатов на живые организации — отдельная и не самая простая задача.
Коротко
Протоколы обмена знаниями можно не придумывать вручную и не копировать у других. Их можно искать автоматически, если оценивать правила не по красоте схемы связей, а по тому, насколько они чувствительны к состоянию участников. В эксперименте такой поиск дал прирост коллективной производительности до 37%, а аблации подтвердили, что дело именно в учёте состояния, а не в топологии или тайминге. Пока это результат в симуляции — но направление выглядит многообещающим.
