夜雨聆风想象一下这个场景：凌晨三点，生产系统报警，你打开日志，却发现满屏都是这样的东西，
∈{契約解除|合意|甲→乙}≠履行;∵遅延∴損賠∈∀合理∧直接;∈{免責}∧[条件];
你看不懂。你的同事也看不懂。但你们公司的AI，理解得一清二楚。
这个场景已经进入现实的讨论。2026年6月，一篇来自上海交通大学、悉尼大学、合肥工业大学等五所高校的论文，把这个议题推到了AI圈面前
一个冒犯直觉的问题
论文的标题开门见山：《大语言模型并不总是需要可读语言》（Large Language Models Do Not Always Need Readable Language）
研究者们问了一个听起来几乎有点冒犯的问题：如果一段文字只供另一台AI模型阅读，它还必须写成人能流畅阅读的自然语言吗？
他们的经验答案是：不必。
这套面向模型、高信息密度、主动牺牲人类可读性的文本表示，被命名为 BabelTele，取意巴别塔，加上电报的密度它无须另立编程语言，也无须改模型或训练，只要在提示里告诉模型："你的读者是另一台同等智能的AI，可以忽略人类可读性"，然后让模型自己发明一种更密的写法
▲ AI资讯博主Rohan Paul的长帖，将这篇论文带进了大众视野
那组让人目瞪口呆的数字
社交平台讨论最多的，是两个并排的数字：
27.9% 与 99.5%。
前者是文本压缩后的保留量，也就是说，原本100个字的内容，被压到不足28个字后者是语义保真度，模型拿着这份"密文"去做问答，正确率相对原文几乎没有下降
消息一出，推特上的开发者们随即热议
一位叫Shinka的用户（@ShinkaIoT）的回复，迅速成为讨论区里最被转发的金句：
"27.9%的token换来99.5%的保真度，这很狂，直到你在凌晨三点用BabelTele调生产bug。"
▲ 这条评论同时写出了技术兴奋和工程焦虑
当然，这两个数字需要被更谨慎地读。99.5%的语义保真，指的是用压缩文本做多选问答时，相对原文的答对率保持；它和逐句还原原文有很大距离。 多选题允许丢掉部分细节仍然选对；法律文书上"关键信息一字不差"是完全另一个标准
但即便如此，这仍然是一个颠覆性的发现
BabelTele是怎么炼成的？
它的生成逻辑，其实并不神秘。
研究者们归纳出几条核心原则，
全语言词项选择：不锁死单一语言的语法中文、英文、德语复合词、日文汉字、拉丁词根，哪个更密就选哪个一个英文单词"acceleration"，在某些场景下，用"∂v/∂t"更省token
符号坍缩：用⇒、∈、≠等数学与逻辑符号替代冗长的连接词和从句"因为……所以……"四个字，一个∵……∴就够了。
可恢复的语义密度：压缩的同时保留下游模型可恢复的关键信息，且不依赖任何外部密码本，另一台模型，零基础就能读懂
这里有一个深刻的信息论直觉：人类语言为人际沟通准备了大量冗余 节奏、语法、过渡句、礼貌性寒暄，这些都是"人类感受"所需要的脚手架，但对另一台模型来说，它们是无效负荷
电报时代，人类也曾为了密度放弃流畅散文数学公式、程序代码，都是证明。BabelTele不过是把这件事往前推了一步：让模型自己来完成这个外化过程
一场多智能体通信革命？
现在主流的AI应用，往往由多个模型像公司里的不同部门一样协作，规划、检索、批评、执行，彼此用自然语言写"工作邮件"
问题在于：这些邮件没有人读，但它们挤占了大量上下文窗口上下文越长，推理费用越高，模型对远处信息的利用也越不稳定
BabelTele给出了这样的答案：这些给模型看的消息，可以省去为人类阅读准备的写法
论文在多智能体实验中报告了两个数字，同样叫人惊讶：同构系统（同一家族的模型互相通信）中，token消耗削减约39%，任务性能保持96.6%；异构系统（不同厂商模型互通）中，削减约44%，性能保持99.7%
成本降四成，效果几乎不掉。 对任何在算AI账单的团队来说，这个数字看起来相当诱人
但工程师们坐不住了
▲ "为token优化，就要在可调试性上付钱"
工程师Emad Ghorbaninia的引用帖，说出了评论区里最冷的那盆水：
"把智能体间消息压成非人类句法当然省上下文，但一旦出错，没有解码器，人和模型都可能读不懂日志。为token优化，就要在可调试性上付钱。"
这是工程场景里的现实顾虑。想象一下：一套复杂的多智能体系统在某次对话中做出了错误决策，造成了损失你打开日志，发现智能体之间传递的所有消息都是BabelTele，你看不懂，你的审计人员也看不懂，你甚至不确定另一台模型能不能"翻译"准确
开发者 ChainBuilder.pro 补充道："智能体使用BabelTele后，验证压缩是否保住意图会成为新的瓶颈"
▲ 压缩效率之后，意图验证成了新问题
更深的恐惧：审计失效
这场讨论里，更尖锐的声音来自安全研究社区
研究员Saeed Anwar（@saen_dev）的引用帖，字字如刀：
"一种牺牲人类可读性换取上下文效率的AI间压缩语言，是模型开始以我们无法审计的方式通信的第一步。这件事可能已经在推理链内部发生了，我们只是把它叫作'思考'。"
▲ "我们只是把它叫作'思考'"，这句话让安全社区沉默了几秒
这话触碰到了AI安全领域一个正在发酵的焦虑：如果模型的推理过程对人类越来越不透明，现有的对齐和监管方法，还管用吗？
LessWrong上有一篇文章《Neuralese的反思》，早已指出：一旦推理链不再落在可读token上，而在高维向量空间里循环，安全研究者过去依赖"读思维链"的监督手段将直接失效BabelTele还停留在文本信道，它的密文至少仍可被记录、回放，原则上还能"翻译"但在通往不可读的路上，它已经迈出了可见的一步
这条谱系有多深？
如果把上下文压缩方法排成一条谱系，
最左边是LLMLingua：微软团队的工作，在人类仍可读懂的自然语言里删词、选词、压缩，追求的是"更短但仍像人话"的摘要
往右是BabelTele：主动离开自然语言典型分布，允许跨语言符号坍缩，人读起来像密语，模型读起来没问题它站在人类可读与完全不可读的边界上
再往右，是已经有学术论文验证的潜空间通信（arXiv:2511.09149）：直接用模型最后一层的隐状态做智能体间通信，完全跳过了"生成token"这个环节，连BabelTele那样的文字都省了，直接互传矩阵论文称速度可加速一个数量级以上。
Frederick Zimmerman（@xtuffai）在推特上问的那句话，"他们为什么还需要中间语言？直接互传矩阵不就行了？"在学术界，其实已经有人正在认真实现
▲ 这个问题，学术界已经有人在认真回答了
数字背后的条件句
日本社区有一位研究者，在note上做了独立复现实验，给这场讨论补上了最重要的注脚：
他用已知名诗做还原测试，失败了，因为模型直接"背"出了原诗，实际上没有解码压缩串随后他自造了一份含有否定、条件、专有名词等"陷阱"的销售会议纪要，压缩后问答全部答对
但他也发现：对本身已经很密的日文短文，压缩后字符削减非常有限，结果偏向"难读化"，称不上"大幅压缩"英文冗长散文和密集日文纪要，属于不同类型的输入
所以，BabelTele的实验聚焦于"模型能不能读密文？" 它并未签发一张"永远三折且几乎无损"的通用优惠券
所以，问题落在哪里？
BabelTele的故事，可以收成三层而不失真：
第一层是现象：在明确"读者是模型"的提示下，现有大模型会生成人类难读、模型仍可用的高密度文本这已被多个基准实验证实。
第二层是条件：压缩率与任务保持率随输入冗余、任务形式、压缩器与阅读器的配对组合而变化最亮的数字有明确的适用边界，无法作为无条件保证
第三层是结构：它处在"自然语言压缩 → 模型中心密文 → 潜空间通信"的谱系中间，同时触碰多智能体成本与人类审计之间最核心的张力
工业界采用前还要补齐一整套工程配套：故障注入测试、强制"关键路径说人话"的策略、双轨日志（密文加人类可读摘要）、跨组织审计接口，以及安全关键域的禁用清单论文并未覆盖这些配套，产业落地时只能另行建立
效率的诱惑，从来不会等制度追上来再出发
AI已经开始说它自己的话了。我们能否读懂只是开端；当出了事的时候，我们还有没有机会去追究？
论文原文：arxiv.org/abs/2606.19857标题：《LLMs Do Not Always Need Readable Language》