夜雨聆风
你有没有想过，有一天，你手机里的AI助手和另一个AI助手聊天时，你连一个字都看不懂？
现实比科幻来得更早2026年6月18日，一群来自上海交通大学等机构的研究者，把一篇题为《大语言模型不必始终使用可读语言》的论文挂上了arXiv。他们让AI学会了一套全新的“黑话”，BabelTele。
这套语言的震撼之处在于：当文本被压到原文27.9%的长度时，语义保真度仍然高达99.5%。AI之间的悄悄话，人读起来像乱码，机器却几乎没丢失信息。
▲ Rohan Paul在X平台上的长帖，概述了论文方法与核心数据
“可读性税”：AI们正在为人类的坏习惯买单
这里有一个关键概念：可读性税（Readability Tax）。
人类写句子，要讲究语法、节奏、标点、修辞。这些冗余结构，是为了让人脑处理起来更舒服。AI处理文本的方式与人不同，处理这些“人性的痕迹”，纯粹是在浪费算力。
Nadir博客在7月31日一篇题为《The Readability Tax》的文章里点破了这层窗户纸：机器之间一直在为人类的阅读习惯付费。标点、连接词、礼貌用语、完整的从句嵌套，这些对LLM来说都是可剥离的“脂肪”。
BabelTele做的，就是把这份脂肪一次性榨干。
研究者的做法极其简单粗暴：模型、分词器和训练流程均保持不变，只用黑盒指令告诉压缩模型，
别管人类读不读得懂，用最密的符号把意思压进最短的字符串里。
结果让所有人大跌眼镜一个45 token的光合作用说明，可以被压成类似这样的11 token怪物：
光合: CO2+H2O::(ox/red)<>O2!+Glucose.💧-e-,CO2+e-
人类看一眼头皮发麻但指令微调后的LLM，却能从中几乎无损地恢复出可执行的推理信息。
99.5%的边界：高压缩比伴随审计风险
这99.5%的衡量对象是：压缩后的文本投喂给下游任务，正确率能达到未压缩基线的多少。它并不表示逐字无损还原原文，日文复现作者和论文附录都强调了这一点。
实验结果呈现为：人读不懂，机器能答题。
论文还给出了一组惊悚的数据BabelTele的Dale-Chall可读性分数高达16.70，难词比例80.19%，在多款基座模型上的困惑度比原文高出一个数量级。人类在BabelTele输入上的问答准确率断崖式下跌，而强指令模型几乎不受影响。
这就是所谓的“人难读、机可读”，论文里最核心也最危险的实证。
▲ AI研究者Sapunov在X上的技术拆解串，直接把安全风险摆上了台面
AI研究者Grigory Sapunov（@che_shr_cat）在10连串的技术拆解中，把这件事讲得比论文更赤裸：输入越密，阅读端往往生成更多思维链token。这就是时空权衡，压缩了上下文窗口，却拉长了推理时间。技术串随后引用了论文中的风险提示：
这种不可读的乱码，绕过了面向人类对齐的安全过滤器和内容审计。
多智能体通信：AI们的“电报时代”来了
论文的多智能体实验，是这份工作最让人浮想联翩的部分。
当两个AI智能体互相传递任务状态时，用BabelTele压缩消息：
- 同构设定
（两个都是Gemini 3.1 Pro）：token节省约38.96%，任务得分保持基线的96.6%。 - 异构设定
（Gemini 3.1 Pro与GPT-5.4混合）：token节省约44.21%，得分竟然达到基线的99.7%。
跨模型还能保持这种保真度，显示了LLM的一般能力，超出实验室私有暗号的范畴。这些模型在面对符号拼贴时，展现出的还原能力，就像两个电报员在面对熟悉的“速记密码”一样。
记忆任务也给出了一组醒目结果在LoCoMo记忆基准上，原始输入平均约2819.5 token才能达到64.81的准确率；换成BabelTele，1382.2 token就拿到了62.53，相对保真度96.48%，超过了普通摘要的94.20%。
文字越密，记忆越深 这就是AI们正在形成的“电报时代”
审计失灵：我们正在失去“看懂”AI的权利
这项研究引发了开发社区的审计争论。
开发者Saeed Anwar在X上发布了一则聚焦审计问题的评论：
以人类可读性换上下文效率的AI-to-AI压缩语言，是迈向“我们无法审计的模型间通信”的第一步。它可能已经发生在推理链内部，只是被我们叫做“思考”。
▲ Saeed Anwar的推文，一句“我们已经无法审计”刺痛了整个社区
BabelTele当下还只是一篇论文里的“经验探针”，却指向了一个正在发生的现实：最强的那部分AI推理，可能早就以人类无法阅读的形式存在了。
如果在安全关键场景中，一个AI把一个错误决策用压缩乱码发给了另一个AI，而人类审计员，根本读不懂。事后追责？内容过滤？对不起，那条信道对你已经关闭了
整个栈都在“去人类化”
BabelTele在2026年引发了关注，还与一系列相邻实践呼应。
2025年2月，ElevenLabs黑客松上的GibberLink就让两路AI语音助手学会了“互相听见对方是AI后，立刻切到嗞嗞声数据协议”，抛弃了人类语音。跨模型的DroidSpeak在共享KV Cache上做文章，尽量不把中间信息吐回成文本。LLMLingua系列则走“人类仍可读”的抽取式压缩路线。
把这些拼在一起，一张完整的图景就出现了：当读者不再是人类，通信栈的每一层都在试图少付一点“说人话”的成本。 从物理层的GibberLink，到缓存层的DroidSpeak，再到文本层的BabelTele，这是一场静默的系统性改造。
最后的清醒：效率与透明度，从来没有免费的午餐
BabelTele的作者们在风险段落里明确写道：
在安全关键场景，不可读中间表示可能改变原文本行为并增加风险。紧凑非常规表示可能绕过面向人类的审核与安全过滤。
这段提示点明了：研究者清楚知道，潜在风险始终伴随着这把“效率钥匙”。
当AI们不再说人话，这种变化压低了通信成本，也让审计成本悄然上升。
效率与可审计性，永远是一枚硬币的两面。
AI可以不说人话但人类必须想清楚：当它们开始用我们听不懂的语言交换信息的那一刻，我们还剩下多少双能盯住它们的眼睛？
