夜雨聆风
如果有一天，你偷听到两台AI在你背后说悄悄话，你可能会惊恐地发现，你一个字都听不懂。
主语和从句一并消失，人类语文课堂上的语法规则也失效了。跨语言的破碎词元、emoji、数学符号、逻辑算子挤在一起，像一场被压缩到极致的密电，又像《尤利西斯》最后一章里那段没有标点的意识流独白。
科幻短篇里的场景，已出现在2026年6月18日挂上arXiv的一篇预印本论文（2606.19857）中。实验发现：大语言模型可以绕过人类可读的语言。当接收方是另一台模型时，人类散文里那些“优雅的冗余”，节奏、语法、语境、确认感，全部可以被撕掉。取而代之的是一类被称为BabelTele的高密度符号文本，在把文本体积压缩到原长27.9%的同时，保持99.5%的语义保真度。
翻译成人话就是：AI之间开始发“黑话电报”了，人类被踢出了群聊。 最先感到背脊发凉的，是生产环境里负责排障的工程师和深夜值班的程序员。
▲ Rohan Paul 的转述帖将这一发现推向公众视野：左侧自然语言塞满上下文窗口，右侧BabelTele更短，却仍能让模型答对问题
九成压缩，零成废话：一场“机器母语”的秘密实验
这篇论文的作者团队来自上海交通大学、悉尼大学、合肥工业大学、西安交通大学、南京大学等机构，通讯作者是Linfeng Zhang。他们沿用现有模型和tokenizer，只靠一段精心设计的提示词（prompt），就诱导模型自发地写出一种“人看不太懂、但模型仍能解码”的紧凑文本。
他们给这种表面形式的名词就叫 BabelTele，巴别塔和电报的合成词。两个意象拼在一起，精确得让人起鸡皮疙瘩：巴别塔是人类语言分裂的隐喻，电报则是人类第一次用极简符号体系穿越信息瓶颈的历史发明。而BabelTele做的，是把这两件事在机器对机器的信道上重新发明一次。
论文里的诊断数据揭示了这种错位BabelTele文本的Dale-Chall可读性分数显著恶化，困惑度（PPL）在多个基座模型上比原文高出一个数量级，可见它彻底偏离了常规英语和自然语言的统计分布。人类读它时，问答准确率直接跳水；但强指令模型读它时，准确率稳得像什么都没发生。
低可读、低似然，仍可保留能够恢复的语义。 对人类是噪声的符号组合，对模型也许是高密度的信息晶格。
▲ arXiv摘要页：99.5%语义保真与27.9%文本长度这个对比贯穿全文，也是公开讨论中最具冲击力的数字
从“删词”到“换信道”：三条路线正在合围
把它当作实验室里的文字游戏，会低估这场变革的规模。BabelTele处在一条正在形成的技术光谱的中段。
光谱的一端，是微软在EMNLP 2023提出的 LLMLingua系（arXiv:2310.05736、2403.12968）：用小模型识别低信息token并直接删除，压缩后的提示“对人可能难读，但对闭源大模型推理仍然有效”。这是删词逻辑，残缺但仍是英语残片
光谱的另一端，是更激进的潜空间通信。LatentMAS（arXiv:2511.20639，社区标记ICML 2026 Spotlight）让多智能体在连续隐空间协作：直接传最后一层隐状态作为“潜思维”，连“不像人话的字符串”都省掉，准确率最高提升约14.6%，输出token减少70%到84%，端到端约4倍加速。Interlat等工作同样在追问：把丰富内部状态下采样成离散词元，是否在强迫一台精密仪器用莫尔斯电码做手术？
而BabelTele站在这两个极端之间：它仍在可打印文本的轨道上，却主动把“人类可读性”从必选项降级为可选项。它用符号坍缩、全语词元选择、可恢复语义密度三大原则，把“给模型看的文本”从散文推向电报体。
三种路径指向同一处：接收方换成模型后，自然语言的效率可能低于其他介质。
▲ Microsoft LLMLingua仓库页：官方宣称最高约20倍压缩，工业界早已接受“人难看、模型能用”的压缩逻辑
“凌晨三点查生产bug”与“问题平移论”：怀疑者并不沉默
好，理论上很完美但现实世界很不给面子
X上一位叫Shinka的用户留下一句极有画面感的锐评：“27.9%的token换99.5%的保真度，这是疯狂的压缩，直到你凌晨三点在生产环境里用BabelTele排查故障。”这条评论精准命中了一个系统工程中最无趣也最致命的死穴：如果通信内容人再也读不懂，调试、审计、合规、内容安全审查，全都得重新发明一次。
另一位讨论者Michael Tierney的批评更抽象，也更锋利。他写道：“BabelTele仍须被模型读取，它只是把问题从语言复杂度平移到编码密度。”压缩把复杂度打包得更紧了压缩的边际收益是否存在天花板？跨模型之间的“方言壁垒”会不会制造出互不兼容的机器黑话孤岛？
论文作者自己的边界声明十分谨慎：他们把BabelTele定位为一门经验性探测，无意宣称它是击败一切压缩算法的最终协议。效果高度依赖“压缩方，阅读方”的模型组合与任务设定。压缩越狠，阅读模型的思维链token往往越涨，省了输入，加了推理。这是一场空间换时间的交易，账算不算得过来，取决于你更缺哪一种资源。
▲ Michael Tierney的批评：可读性约束依然存在，问题只是从语言复杂度平移到了编码密度
▲ Shinka的调侃：疯狂压缩的代价，是凌晨三点的排障困境
人类早就发明过“巴别电报”了
如果你觉得这一切过于魔幻，不妨看看人类自己的通信史。
1870年代的电报员为了节省真金白银，省略了虚词和冠词。到了数学证明中，一行符号链可以容纳半页自然语言，符号密度也成了思想密度。程序员再用缩进和运算符表达逻辑关系，让结构化token成为最小可执行语义。更极端的多智能体强化学习早期实验显示，当奖励只关心任务成功时，智能体演化出的通信协议根本不承诺人类可读。
BabelTele只是在大语言模型时代，用一段提示词而非强化学习，再次触碰了同一个结构性问题：当信道的使用者不再是人类时，人类语言的自律规则是否还是最合理的默认值？
甚至有人已经在这条路上走得很远了。X用户Thomas O'Duffy在讨论中声称，自己已经用类似写法约两年，并以“多语种、懂数学与代码的人混写英法代码与符号，语法烂也能懂”作类比。他内嵌的那条引用帖本身，很可能就是一条人写出来的BabelTele。你看，这种风格早就在技术社区的极客亚文化里生长了，论文只不过给了它学术命名。
▲ Thomas O'Duffy的评论：以多语+代码+数学混写类比，声称已使用类似写法约两年
上下文成了稀缺货币，语言只是包装
理解了BabelTele，你就能看懂这个时代一个更底层的商业和技术逻辑：上下文窗口已经成为AI系统的关键稀缺资源，而自然语言是其中最昂贵的包装材料。
长程终端智能体“淹死在自身观测里”，多智能体系统在消息来回中烧掉大量token。介绍LatentMAS的DAIR.AI指出：多智能体成本的主要矛盾往往在通信介质，继续堆叠智能体未必有效。TACO一类的工作则在探索让智能体从交互轨迹中自演化压缩规则，把一个约10%的token削减变成无需手工调参的自动化过程。LLMLingua把提示当成可预算的资源。BabelTele把表面形式从“给人看的散文”改成“给模型看的符号电报”。三条路汇向一个目标：把有限的窗口留给高价值信息，省下语法的排场。
▲ DAIR.AI关于LatentMAS的说明帖：潜空间多智能体协作去掉了文本中介，输出token减少约70%–84%
▲ elvis关于TACO框架的介绍：让智能体自己学压缩规则，长程编码代理的上下文瓶颈又一次被验证
所以BabelTele提出的问题，远远超出“人类还能不能看懂AI的消息”。它追问的是：当超过人类阅读带宽的系统开始运转时，我们是否应该允许一种“机器母语”存在，它可以对人类保持晦涩，却必须对系统高效？
技术可行性已经得到实验支持，留下的是一个关于信任、控制与审计的哲学问题：在一条人类看不懂但模型能懂的通信信道上，我们愿意交出去什么，又必须守住什么？
凌晨三点的生产环境会给出最诚实的答案。而AI已经用27.9%的字符量，把99.5%的语义内容藏进了人类完全无法直视的符号里，然后若无其事地问你：现在，你还觉得自己是对话中不可或缺的那一方吗？
（本报道基于arXiv:2606.19857及公开发表的社交讨论。所有技术数据以论文原文为准，社交评论仅代表发言者个人观点。）
