夜雨聆风
如果你的AI助手突然开始用你完全看不懂的文字跟别的AI聊天，你会恐慌吗？
2026年7月底，一条推文在X平台上引发热议。AI领域知名观察者Rohan Paul写道：大型语言模型可能根本无须使用人类风格的语言。配图里，左侧的自然语言长篇累牍塞满了上下文窗口，右侧的BabelTele，一种混合了缩写、符号、多语言片段和非常规句法的“机器方言”，短得像一封电报，但模型照样答对了问题。
数字更让人头皮发麻：文本被压缩到原长的27.9%，语义保真度仍有99.5%。
你的AI正在用一种你不懂的语言，跟别的AI说悄悄话。
▲ Rohan Paul的转述帖展示了自然语言与BabelTele的对比
一封来自2026年6月的“巴别塔电报”
风暴源自一篇arXiv预印本论文。
2026年6月18日，Jiayi Zhu、Haoxuan Peng等研究者提交了《Large Language Models Do Not Always Need Readable Language》（大语言模型并不总是需要可读语言）。通讯作者Linfeng Zhang，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。
他们做了一件听起来很“科幻”但实验设计极其朴素的事：用提示引导模型自发写出“人看不太懂、但模型仍能解码”的紧凑文本。
这种文本被命名为BabelTele，巴别塔（Babel）加上电报（Telegram）。论文将它定位为一种经验性探测，并未设计固定协议。核心问题只有一个：
若接收方是LLM而非人，语义是否仍必须编码成完全人类可读的自然语言？
答案是否定的研究者引入了三种原则来诱导“符号坍缩”：全语词元选择（跨语言挑选高密度单位）、符号坍缩（用emoji、逻辑算子、标点替代冗长句法）、可恢复语义密度（保留足够细节让强模型无须码本即可解读）。结果，一种“模型中心的高密度文本表征”诞生了。
27.9%与99.5%：两个数字背后的认知地震
先来拆解这两个数字意味着什么
27.9%，是压缩后的文本长度占原文的比例。也就是说，一篇一千字的文档，会被压成不到三百字长的符号混合物。
99.5%，是语义保真度在长上下文选择题、多智能体通信等任务上，用BabelTele压缩后的文本去回答问题，准确率几乎与使用原文持平。
更引人注目的细节藏在论文的实验里。研究者做了一个可读性诊断：BabelTele的Dale-Chall分数和难词比例显著偏高，困惑度（PPL）在多个基座模型上比原文高了一个数量级。困惑度是衡量文本“偏离常规分布”的指标，比原文高一个数量级，足以说明它几乎完全不像人类会写出来的东西。
与此同时，人类在BabelTele输入上的问答准确率下降，而强指令模型仍然维持高分。低可读、低似然，不等于语义不可恢复人类可读性、自然语言典型性、模型侧语义可恢复性，这三件事被证明可以部分解耦。
这种优化拆开了语言的外墙
智能体不会失眠，但工程师会
论文的另一个重头戏在多智能体通信。
当两个AI智能体用BabelTele互相传消息时，同构设定下通信token削减约38.96%，任务得分保持在基线的96.6%；异构设定（Gemini与GPT系列配对）下，token削减约44.21%，得分约99.7%。
AI之间用“黑话”交流，省下了将近一半的流量，任务得分仍几乎持平。
▲ 评论区里，凌晨三点查生产故障的焦虑被反复提及
但评论区炸出了另一层现实一位用户调侃道：“27.9%的token换99.5%的保真，确实疯狂，直到你在凌晨三点要用BabelTele查生产故障。”
这是整场讨论中最尖锐的工程焦虑人类审计的通道，正在被效率革命堵死。当多智能体系统里的每一跳消息都变成符号密文，出了问题谁来排查？日志留存了又有什么用？安全合规的审查员看得懂吗？
另一位评论者Michael Tierney指出：BabelTele仍须被模型读懂，问题可能只是从语言复杂度挪到了编码密度。难度依然存在，只是重新分配了位置
这个疑问戳破了“压缩神话”的气泡
“文本是窄管子”：一场更大的介质革命
如果只看到BabelTele的符号美学，就小看了这件事。
把镜头拉远，2025年末到2026年，整个AI研究圈正在同时向一个方向冲锋：多智能体系统的成本瓶颈正向通信环节显现。
DAIR.AI在2025年11月的一篇帖子里算了这笔账：多智能体系统的通信成本高昂。智能体每交换一次完整自然语言消息，都要消耗token和费用。他们介绍的LatentMAS框架，干脆让智能体在连续潜空间中协作，直接传递最后一层隐藏嵌入。报告结果包括：准确率最高提升14.6%，输出token减少70%–84%，端到端加速4倍，且无须额外训练。
▲ LatentMAS直接拆掉了文本中介，走隐状态总线路线
研究者在公开笔记里串起了这条脉络：“文本是一条窄管子”。那条笔记留下一个问题：
言语化（verbalization）究竟损失了什么？哪些任务族受害最重？
人类花了几千年把思想压缩成语言，又花了几十年教机器理解语言。现在，机器告诉我们：你们这个中间格式，效率太低。
从电报到“机器母语”：历史早就写过剧本
等等，这一幕我们见过
十九世纪的电报员为了省钱，发明了一套省略虚词、保留信息核的“电报体”。数学家用符号系统替代了几页纸的证明。程序员用结构化token表达可执行语义。人类文明的历史，就是一部不断发明“非口语优先”介质来压缩信息的编年史。
BabelTele在LLM时代借助提示词，重新触发了一次同样的结构变迁。
资料包里的第13张截图记录了一位用户的真实实践：“我已经这样写东西两年了”，多语混写、代码嵌入、数学符号、语法稀烂，但懂的人秒懂。配图里的符号化短帖像一首达达诗，却装进了高密度信息。
▲ 有用户声称已经用类似写法两年，将多语+代码+数学混写类比为日常
某种意义上，BabelTele沿用了人类早已实践的压缩思路。它把一小群人类精英的“压缩癖”系统化、自动化、产品化了。
三条路线，一条光谱
把当前的技术版图摆开，你会发现一场关于“AI该说什么语言”的路线之争已经白热化：
第一条路：自然语言内压缩 以LLMLingua系列为代表，删冗余词、做摘要。压完之后还是一段“残缺的英语”，人勉强能猜。这是最保守的路线，适合审计要求高的生产环境。
第二条路：BabelTele 允许不像人话，但仍是可API传递的字符串。走的是可打印文本通道，便于异构API、日志留存和黑盒拼接。它在“效率”和“可审计性”之间踩了一条钢丝。
第三条路：潜空间通信 以LatentMAS、Interlat为代表，连“不像人话的字符串”都省掉了，直接传隐向量。信息带宽最大，但对模型同构性、实现栈和可审计性的要求完全不同。
▲ LatentMAS的开源实现已在GitHub公开，标注ICML 2026 Spotlight
这是从删词到符号文本再到隐向量的一整条介质光谱。选择哪一条，不取决于压缩比排行榜，而取决于你的系统能否承受人类可读性的丧失。
没人能在凌晨三点读懂BabelTele
现在回到那个凌晨三点的场景
你被电话叫醒，生产环境的多智能体系统崩溃了。日志里全是BabelTele的密文，符号、emoji、多语言碎片、逻辑算子。你和团队对着它们束手无策，甚至无法确定谁应该看得懂。
这就是效率革命的隐性成本
论文对边界有明确说明：BabelTele目前是探测，尚未成为最终协议。效果依赖模型组合与任务设定极端压缩会带来空间、时间权衡：输入token减少后，阅读模型可能花更多推理token去“补洞”。跨模型移植并非万能密码
空格还是空格，只是代价被转移了
从输入token转移到推理token，从通信成本转移到审计成本，从机器的负担转移为人的焦虑。
机器不需要巴别塔
圣经里，上帝用语言混乱惩罚人类的傲慢。
但在机器的世界里，巴别塔的倒塌可能恰恰是效率的开始。
当你的AI不再对你说人话，开始用某种你无法解读的“机器母语”与同类交换思想，它正在遵循高密度信息系统的本能：拆除为人类工作记忆而设的脚手架，直奔语义本身。
问题最终落到人类手上：
当它们不再说人话的时候，我们还能不能守住那个要求一切可读、可审计、可控的世界？
文本是窄管子但管子窄一点，至少还看得见
