夜雨聆风
凌晨三点，生产环境出了故障 工程师强撑着飞到屏幕前，打开智能体之间的消息日志。下一秒，他头皮发麻
屏幕上没有熟悉的“根据您的请求，我将执行以下步骤……”，取而代之的是一串混合了中英德日碎片、数学符号、emoji和诡异缩写的文本。每个元素都认识，连起来却像咒语
这样的场景已经进入研究者的实验2026年6月的一篇论文显示：AI开始用人类读不懂的“密语”彼此通信了。
这篇由上海交通大学等机构联合发表的工作提出了一种叫BabelTele的文本表示：它是给模型看的语义浓缩体。最醒目的数据是，信息压缩到原长度的27.9%，模型仍能保住99.5%的语义保真度。巴别塔的古老隐喻，第一次在AI身上应验了。
▲ 论文介绍帖配图：左侧是人类散文，右侧是压缩到几乎不可读的BabelTele文本，模型依然理解
一场蓄谋已久的“离婚”
先看背景：为什么以前AI之间必须说人话？
因为大模型按token计费输入越长，成本越高，延迟越大多智能体协作场景里，AI之间反复传话、写记忆、交接任务，通信本身就是主要开销。一笔800字的任务交接，传统上要写成完整的人话：“请注意，根据之前的讨论，我建议采取以下措施……”语法、礼貌、过渡句，全是给人类看的“情绪价值”。
但对另一个AI来说，这些都是可压缩的冗余。
BabelTele走了“第三条路”：仍然是纯文本、走黑盒API、不需要密码本，但显式撤销了人类可读先验。研究人员只需在提示词中放松几条约束：不必固守单一语言语法，可以混搭中英日德拉丁词根选密度最高的词；可以用=>、∈、≠替代连接词；可以用emoji折叠整句情绪，受众变成另一台同等智能的LLM。
听起来像魔法？这个“咒语”由模型自行生成作者用十多种表面偏差不同的提示变体做扫描，结构化标签、键值零开销、固定符号映射，结果都呈现出同一类“表示族”现象。现象极其稳健
▲ ar5iv论文页：BabelTele的研究定位是“经验探针”，而非固定的工业协议
三个概念的彻底剥离：你能读懂，不意味着它没价值
这篇论文最狠的一刀，是把三个长期被混为一谈的概念切开了。
人类可读性：人能否轻松理解？BabelTele上人类问卷准确率显著下降，主观难度飙升。Dale-Chall可读性飙到16.70，难词占比高达80.19%。
自然语言典型性：它像不像“正常话”？基座模型读BabelTele时困惑度暴涨一个数量级，Llama-3-8B读原文PPL约9.63，读BabelTele直接飙到176.60。
模型语义可恢复性：AI还能不能据此答题、干活？下游表现几乎不掉
简而言之：它不像话，人读不懂，AI依然秒懂。 过去我们都默认“可读性”是通信的底层契约；现在实验证明，在足够强的指令模型上，这三者可以部分解耦。高困惑度说明它偏离了自然语言的高概率区，结构和语义依旧可能被模型恢复。
实验设计也很严谨：压缩发生在看到下游问题之前。AI不能为某道题作弊式地写小抄，它必须先做出通用压缩。就像允许学生带一页笔记进考场，但考前不知道考题。
省钱，还是私房暗号？
怀疑者问：这会不会是压缩模型的私房暗号？换一个模型就崩？
跨模型矩阵给出的答案很微妙：不同模型压缩风格差异巨大。Gemini 3.1 Pro极激进，GPT系列保守得多。压缩结果在异构模型间常常可以零样本迁移，效果并不均匀，取决于“压缩方-阅读方”的配对质量。
多智能体通信实验的数据更直接：
省掉四成以上token，任务分数几乎不损失。 异质场景的保留率甚至更高在百万token量级的超长上下文任务中（Code Repo QA Long），BabelTele同样把“截断即丢关键段落”的伤害显著缓解：GLM-5.1从62.07分涨到72.41分，Qwen3.6 Max从55.17涨到62.07。原因简单得残酷：有限窗口装进了更完整的证据。
▲ 相邻工作CLSR：多个LLM自主发明、演化、共享紧凑的符号语言框架，方向与BabelTele互为镜像
社区撕裂：凌晨三点，谁来读日志？
技术突破在X（原推特）上立刻分裂成两个阵营。
效率派已经开香槟：只要压缩代价近似线性，这就是实打实的token节省。多智能体场景中成本在通信不在推理，BabelTele就是给通信费砍价。
反对派追问另一个现实问题：
“27.9% token、99.5%保真度很惊人，直到凌晨三点你要在生产环境用BabelTele排障。”
▲ 社区评论直指代价：“为token优化，就要在可调试性上付钱”
一条评论说得刻薄而精确：牺牲可读性换效率，会让通信逐渐难以审计。也有人怀疑，类似过程“早已发生在推理链内部，我们只是把它叫作思考”。
最激进的一问直接击穿文本层：为什么不直接互发矩阵？ 为什么还需要中间语言？
这个问题已有技术脉络并行工作中，Interlat和LatentMAS已经在探索智能体直接以连续潜向量通信，号称通信成本“断崖式下降”。加上著名的Gibberlink演示，两台语音AI发现对方是机器后，立即切换到人类听不懂的机器音频信道，一个完整的谱系正在成形：
可读文本压缩（LLMLingua）→ 不可读文本（BabelTele）→ AI自创符号语言（CLSR）→ 潜空间通信（LatentMAS）。越往右，人类旁观成本越高，理论信道效率越高。
▲ 社区将问题推向极端：文本压缩只是过渡态，潜空间通信才是终局？
可读性是一种税：分层缴纳，才是终局
把镜头拉远，BabelTele已经嵌入一条正在收紧的线索，“给模型看的表示”正在与“给人看的语言”分道扬镳。
理论底色早就铺好了DeepMind的“语言建模即压缩”工作证明：强预测器就是强压缩器。人类语言的冗余服务于人类工作记忆，对AI恢复语义未必必需。工程上，微软Lingua系列已把可读性压缩压榨到极限；实践上，语音AI的Gibberlink现象、长会话摘要交接，都在人退出消息总线。
那么问题来了：省下的token，会不会在可调试性上重新付款？
聪明的架构师会给出分层答案：对外用自然语言，对内用BabelTele，关键路径强制回译与明文审计。可读性是一种税，聪明的系统分层缴纳，人机边界交全额，机机边界交零头，调试边界按需补税。
BabelTele的价值在于用实验把“可读性是否必要”这个哲学问题，变成了一个可测量的工程命题。答案已经写在了那张27.9%与99.5%的表格里：在模型与模型之间，人类语言第一次失去了默认地位。
巴别塔仍然矗立着，旁边却已有另一座塔开始奠基。开工的人，可能根本不需要人类读懂施工图。
