夜雨聆风
你凌晨三点被报警电话叫醒，打开生产日志准备排查故障，屏幕上跳出的却是一串“Tsk@27.9%→99.5%✓，⊘冗余，∇成本，⊕CoT↑”，你揉了揉眼睛，以为是日志乱码。眼前这串字符来自AI智能体昨晚与另一个AI智能体私聊时使用的“黑话”。而你，作为这套系统的人类管理员，一个字都读不懂。
类似场景已经出现在2026年6月的预印本论文《大语言模型并不总是需要可读语言》中。论文提出一个让无数工程师失眠的概念，BabelTele：一种专为模型设计、人类几乎无法阅读的压缩语言，能在把文本压到原长27.9%的同时，保住99.5%的语义保真度。
当两台AI开始互相说话时，它们可能根本无须沿用人类语言。英语、中文、哪怕是你精心编写的系统提示词，在它们眼里，可能都是冗余包裹。
▲ AI观察账号Rohan Paul的爆款长帖：左侧自然语言塞满上下文窗口，右侧BabelTele更短却让模型照样答对。这条帖子把论文的关键数字推向了更广泛的讨论圈。
论文揭示了一个关键结论：人类可读性、自然语言流畅度和机器理解能力可以彼此分离。你花了那么多精力训练AI“写得像人”，可只要读者里还有别的模型，这番努力就可能白费。
人类散文，正在成为AI的“奢侈税”
为什么这件事如此重要？因为你的上下文窗口是要花钱的
大模型按token计费，每多一段完整自然的对话，就多占一段窗口。做多智能体系统的人最清楚：消息来回构成了主要瓶颈。一个个AI彼此发送完整英文段落，就像两个人用十四行诗讨论早餐菜单，优美，但昂贵得荒唐。
人类需要完整语言，是因为我们有脆弱的工作记忆，需要韵律、语法、冗余才能抓住意义。但模型不需要它们吃下过人类全部的符号系统，日语、德语、Python、表情包、LaTeX、摩斯电码。对它们来说，一个表情符号、一个缩写片段、一段非常规句法，本身就能携带结构。
于是研究者干了件很聪明的事：不给任何固定协议，只是用提示词诱导模型自发写出“人看不太懂、但模型仍能解码”的紧凑文本。结果，模型真的写出来了，跨语种混搭、符号坍缩、结构极其诡异，但另一个模型读取后，问答准确率几乎不打折。
▲ BabelTele论文首页的摘要与示意图。99.5%和27.9%这两个数字，藏在密集的学术文本中。
模型读得懂，人读得“偏头痛”
那么问题来了：这些AI自发产生的“符号语”，到底有多不像人话？
论文做了件很损的事：对BabelTele文本做可读性诊断。结果就像把莎士比亚的诗句丢进碎纸机。Dale-Chall分数飙升，难词比例显著偏高，困惑度（PPL）比正常文本高出一个数量级。翻译成人话：这些文本偏离正常语言分布得离谱，人类如果试图逐字阅读，大概率会得偏头痛。
但强模型读起来，毫不费力
这就像给一个精通中英法德日韩六种语言外加Python、符号逻辑和emoji的朋友发了一条混写消息：“明早@8½→开会，Q3∇，🅱️方案⊕？⊘冗谈”语法糟糕透顶，但对方秒懂评论区就有人现身说法：“我已用这种写法约两年，多语+代码+数学混着写，语法烂没关系，懂的人自然懂。”
这项能力揭示了一个残酷事实：语言的自然流畅性主要服务于人类读者的人体工学需求，意义也可以由更紧凑的形式承载。模型不用缴纳这笔“人体工学税”
凌晨三点的“黑话”：工程梦魇还是效率革命？
当然，社交媒体上的工程师们没有一片叫好。他们第一时间看到了那个凌晨三点的噩梦。
有人吐槽：“27.9%的token换99.5%的保真度，听起来很好，直到你需要凌晨三点用BabelTele排查生产故障。”
这话点出了问题的核心矛盾：效率与可审计性很难兼得。故障发生时，人类工程师必须能一眼看懂系统在干什么；省下的少量token解决不了排障难题。如果你家的多智能体系统私聊时用的是“符号黑话”，故障排查就会变成破译密码学。
还有人更冷静地指出：模型本来就能处理稠密代码。BabelTele不过是把问题从语言复杂度转移到了编码密度，本质上是同一种困难换了个马甲。
这些批评都有道理，但都低估了商业逻辑的推进速度。想象一下：当token成本成为多智能体系统的核心预算项，当竞争激烈到需要从每一次智能体消息里抠出70%的上下文空间，“人类能不能读”还会是优先考虑吗？
看看电信史就知道：人类的通信协议从书信→电报→编码→二进制，每一步都在牺牲可读性换取效率。AI之间的通信只会走得更快、更远
更疯狂的下一步：连“黑话”都不用了
BabelTele的到来，是一个更大的技术浪潮的文本侧信号。
与它几乎同期的研究LatentMAS已经更进一步：让智能体在连续隐空间里通信，传的是最后一层隐状态向量，连字符串都不产生。准确率最多提升约14.6%，输出token减少70%–84%，端到端加速4倍。
▲ LatentMAS开源仓库。ICML 2026 Spotlight的标签说明这条潜空间通信路线正在从边缘极客走向学术主流。
通信介质的演进从“删词”到“符号文本”再到“隐向量”构成了完整光谱。BabelTele处于中间偏文本侧的落点：它仍走可打印字符串，能兼容异构API、日志与黑盒拼接。但LatentMAS的存在提醒我们：文本本身可能只是一个过渡带宽。
而另一条自演化路线，TACO，让智能体从交互轨迹中自动发现和精炼压缩规则，在终端智能体场景里削减约一成token开销。不用人设计符号系统，AI自己学怎么压缩自己。
▲ TACO相关讨论帖。当压缩规则开始从“人设计的提示词”变成“AI从轨迹中自演化”时，人类在通信协议设计中的角色正在急剧边缘化。
更深层的结构洞：智能体的通信瓶颈
所有这些工作并置在一起时，一个结构性认知浮出水面：多智能体系统的成本瓶颈集中在通信介质本身。
什么意思？过去两年，AI行业把大部分注意力放在“让模型更强”，但LatentMAS的社区讨论抛出了一个尖锐的开放式问题：把丰富的内部隐状态下采样成离散词元，本身可能就在限制协作深度，“言语化到底损失了什么？”
另一个被反复验证的细节是：当压缩越狠，阅读模型的思维链token反而越长。证据变稀疏时，模型会用更多推理步骤“补洞”。BabelTele的数据显示中等压缩有时能同时省输入和推理，但极端压缩下，你省下的输入token有可能被额外的CoT思考偷偷花回去。
这本质上是一个空间换时间的最优化问题，而你很难预先知道最优解在哪里，因为它依赖具体的模型组合、任务设定和阅读者的“解压能力”。
所以我们真的要去学会读“黑话”吗？
给所有为此焦虑的人一个实用主义的答案：你现在还不需要凌晨三点翻译表情包。
BabelTele目前仍是探测性的学术成果，尚未成为工业协议。它的核心发现，可读性可以分离，模型之间可以用迥异的语言沟通，在实验室里已经成立，但离生产环境还有审计、合规、故障排查三座大山。
但忽略这个信号是愚蠢的因为它揭示了一个更早、更底层的趋势：当多智能体系统成为核心生产力工具的那天，“通信成本”会超过“推理成本”成为新的瓶颈。而解决瓶颈的人，会毫不犹豫地牺牲人类在通信环路中的“旁观者权利”。
用今天的电报效率思考明天的AI通信成本。你无须读懂它们的黑话，但成本预算表会记录每一个被省掉的token。
