夜雨聆风六个字，能顶一百句话，前提是，信道两端都是模型。
2026年夏天，一篇来自上海交通大学、悉尼大学等多校联合团队的论文，悄悄在arXiv上挂出。编号2606.19857，标题平平无奇：《Large Language Models Do Not Always Need Readable Language》，大语言模型并不总是需要可读语言。
围绕它的讨论很快热了起来
▲ 论文arXiv页面，提交日期2026年6月18日，学科分类：计算语言学+人工智能
核心发现可以浓缩为：当AI跟AI说话时，人类语言可能带来额外开销。 研究团队提出了一种叫BabelTele的文本表示方式，混着缩写、符号、emoji、算术符号、多语言碎片，人类看了像乱码，但模型读了照样能答对题、完成任务、协调分工。
而且效果好到离谱：文本体积压到原来的27.9%，语义保真度仍有99.5%。
换算一下，砍掉72%的废话，几乎什么都没丢。
一封发给AI的"电报"
要理解BabelTele在做什么，可以把它类比成电报。
▲ AI博主Rohan Paul发帖介绍BabelTele及其核心指标
19世纪的电报按字收费，于是人类发明了电报体，"ARRIVING TUESDAY STOP BRING CAR STOP"。语法碎了，意思全在论文作者的出发点如出一辙：如果信息的接收方是另一个在万亿token上训练过的大模型，那些让句子通顺、让段落连贯的语法胶水，还有必要吗？
BabelTele给出了三条"压缩原则"，听起来简单，效果却猛烈：
第一，不挑语言 哪种语言的词更短更密，就用哪种一个英文从句可能被替换成一个汉字、一个日语片假名，甚至一个阿拉伯语词根，目标是减少token。
第二，符号坍缩 冗长的连接词、过渡句、从句嵌套，全部用→、∴、⊂、≈之类符号替代。一个emoji可以顶一整句解释
第三，可恢复性 虽然看起来像密文，但实体、数字、条件关系全部保留，另一个模型拿到后，无须外部码本就能把意思还原回来。
这套方法无须重新训练模型或改分词器，一段零样本提示词就能启动。 也就是说，你今天就能用API试
数字游戏：99.5%到底意味着什么？
▲ 韩语技术社区同步解读，归纳BabelTele三条压缩法则与核心数字
"72%减冗余、99.5%语义"这组数字被多个技术社区转述。德语区的KI Bubble、韩语区的code_n_money和英语区的Emergent Mind都做了介绍，常见概括是：AI以后不用说人话了。
▲ 德语AI媒体KI Bubble：AI智能体之间不需要人类可读语言
但冷静一点日本技术博主“たぬ”在论文上线仅三天后就做了独立复现，他的结论值得每个转发者读三遍：
99.5%语义保真，实际指模型读压缩文本后做多选QA的得分保持率，不代表"原文被无损还原了99.5%"。
▲ 日本博主“たぬ”的复现文章标题直译：试下来接近"难读化"，压缩效果有限
多选题的特点是什么？丢了一些细节，照样能选对答案 "99.5%语义"和"99.5%信息无损"之间，隔着一条巨大的鸿沟。
“たぬ”还拿本身就很精炼的日语短备忘录去测，压缩幅度只有约38%，远不到72%，因为日语本身的信息密度就比英语高，能挤的水分更少。而那些拉丁缩写和生僻符号，在日语分词器眼里可能反而更费token。
口号是27.9%/99.5%，但现实是：效果随语言、任务、模型配对剧烈波动。
当AI开始用"密语"协作
不过，就算打了折扣，BabelTele在多智能体场景下的表现仍然令人兴奋。
论文专门测了两种模式：同构通信（Gemini对Gemini）和异构通信（Gemini对GPT-5.4）。结果是，
| 38.96% | 96.6% | |
| 44.21% | 99.7% |
注意，这里的token削减是约39%到44%，比摘要里的72%温和得多。对多智能体系统来说，省掉近一半的通信开销，任务分数几乎不掉；每一轮协调、每一次工具调用、每一段记忆传递，都有机会变得更短、更快、更便宜。
用大白话说：两个AI以前要写一篇小作文才能交代清楚的事，现在发一条"电报"就够了。
▲ Emergent Mind的视频摘要：人类语言是智能体互聊的低效方式
凌晨三点，你能调试一段"密文"吗？
然而，工程师们很快提出了可调试性的疑问。
X（原Twitter）上的讨论区里，最被点赞的回复来自一位叫Shinka的开发者：
"27.9%的token换99.5%保真度，这压缩率确实惊人，直到你凌晨三点要排查一个BabelTele的生产故障。"
▲ 工程师的灵魂拷问：高压缩遇上生产环境debug，谁来翻译？
另一位叫ChainBuilder的用户提出：瓶颈不会消失，只会转移。 以前的难点是让智能体表达完整，现在要追问：如何验证压缩后的信息仍保住关键意图？
▲ 系统设计视角：压缩后的意图核验成了新的难点
Michael Tierney则一针见血：BabelTele仍然需要模型能读懂，所以它只是把问题从"语言复杂度"搬到了"编码密度"，本质上是同一道题。
▲ 概念层面的挑战：复杂度并未消失，只是换了一种形式
这些评论并非在否定研究本身，而是在追问一个所有新范式都必须面对的问题：你解决了一个问题，是否只是创造了另一个？
更激进的未来已经在路上
如果你觉得BabelTele已经够科幻了，那请坐稳，还有人走得更远。
几乎同期，来自普林斯顿、UIUC、斯坦福的团队推出了LatentMAS（Latent Collaboration in Multi-Agent Systems），入选ICML 2026 Spotlight。他们的主张更极端：连文本都别传了，直接在模型的连续潜空间里交换"隐思维"。
▲ LatentMAS：更激进的路线，智能体间直接交换潜向量，彻底跳过文字
公开数据显示，LatentMAS相比文本通信基线，输出token减少70.8%到83.7%，推理速度快4倍以上，准确率还能提高最多14.6个百分点。
BabelTele和LatentMAS，一个还在文本层面"压到极限"，一个直接跳出了文本层面。它们共同指向同一个趋势：
多智能体系统的一大瓶颈，落在智能体之间的通信上。
而解决方案的光谱，从"压缩人话"到"不说人话"到"连话都不说"，正在快速展开。
我们正在失去"监听权"
让我们把视角拉回来
BabelTele论文自己的风险声明写道："将文本变为非标准表示，可能以意外方式改变行为；安全关键领域可能损害安全性"
换成日常表达：当AI开始用人类看不懂的"密语"彼此交谈时，我们对AI系统的可审计性、可解释性、可追溯性，都在同步退化。 一个合同审查智能体把法律条款压成符号串发给另一个智能体，中间漏掉了一个否定词，谁来发现？怎么发现？
效率与透明之间的张力，是整个AI治理绕不过去的母题。 BabelTele只是把它用一种极端可视化的方式摊开了。
故事刚刚开始
回到最初那个让人不安的问题，
当AI跟AI说话时，还需要说人话吗？
BabelTele给出的回答是：在很多场景下，可以省去人类可读的表达。 而且代价之小，好处之大，超出了多数人的直觉。
论文作者对此保留了边界他们反复强调这是一枚"经验探针"，用于观察现象，尚未形成定型的通信协议或可直接投产的工具。它发出了一个信号：
人类语言为人类设计当对话双方都是模型时，语言本身可能最先迎来重新设计。
而这件事，已经在发生了