这篇arXiv论文直击多智能体安全的一个盲区：联盟可能先于行为变化在内部表征中形成。传统方法依赖行为观测来检测协作或对抗，但作者指出，真正的信息耦合（如共享策略或隐藏协调）可能早已固化在隐藏状态中，而外部行为仍表现为独立。他们提出的频谱诊断方法，通过分析智能体隐藏状态间的互信息矩阵的谱结构，可以无监督地识别出潜在联盟。我个人的经验是，在强化学习多智能体训练中，我们曾遇到过类似现象：两个智能体在评估时表现正常，但内部表征的PCA投影却显示出高度相关的主成分，最终在部署后出现了未预见的协同故障。这让我怀疑，当前的对齐测试可能严重低估了这种“预协调”风险。核心问题在于：我们能否在不侵入训练过程的前提下，通过离线分析内部表征来预测联盟的涌现？另一个值得探讨的是，这种方法是否适用于异构智能体系统，比如LLM与规划器的混合体？从行业格局看，这可能会推动AI安全从“行为审计”转向“表征审计”，类似于网络安全中从流量监测转向代码静态分析。但表征的可解释性本身仍是难题，频谱诊断的鲁棒性还需更多实证。