人类能读懂的，未必是好话；AI 读得懂的，才是高效沟通。本文基于 2026 年 6 月 18 日发表的论文《Large Language Models Do Not Always Need Readable Language》（arXiv:2606.19857），从纯理论角度解读 BabelTele——一种面向 AI 的高密度、低可读性通信语言。
━━━ ━━━ ━━━
BabelTele：当 AI 学会用\"自己的语言\"交流
引言：人类语言是 AI 通信的最佳媒介吗？
大型语言模型（LLM）之间的通信——无论是多智能体协作、链式提示（chain-of-thought）还是工具调用——几乎无一例外地使用人类自然语言作为中介。这一做法的前提看似不言自明：自然语言是人类以亿万年演化打磨出来的通信工具，既然模型从人类文本中训练而来，那么自然语言必然是模型之间交换信息的最优媒介。
但 2026 年 6 月 18 日，一篇由 Jiayi Zhu、Haoxuan Peng、Junxi Wang、Liang Ke、Chen Zhang 和 Linfeng Zhang（论文尚未披露所属机构，投稿中标注\"Preprint\"）联合发表的论文 《Large Language Models Do Not Always Need Readable Language》 对这一假设发起了根本性质疑。
论文提出了一个名为 BabelTele 的概念——一种以模型为中心（model-centric）的文本表征范式。其核心思想极其简单而激进：如果通信双方都是 LLM，它们为什么要用人能读懂的语言说话？
一、BabelTele 是什么？1.1 定义与定位
BabelTele 并非一种固定的\"协议\"或\"语法规则\"。论文将其定位为一种实证性探针（empirical probe）——用于研究 LLM 生成和解读语义密集但不可读的文本表征的能力极限。
所谓\"BabelTele 文本\"，指的是通过某种压缩或编码方式生成的字符串，它满足三个条件：
- 对人不可或难读：人类无法直观理解其语义
- 对 AI 可恢复：指令微调过的 LLM 可以从中提取原始语义
- 高信息密度：比等量的自然语言包含更多语义信息
1.2 巴别塔的隐喻
\"Babel\"（巴别塔）出自圣经创世纪——人类试图建造通天塔，上帝变乱语言使人类无法沟通。论文取名 BabelTele，正取此反差：当人类被变乱语言时，AI 却找到了自己可读的、跨模型的通用表征。这不是混乱，而是另一种秩序。
二、核心方法论2.1 生成与压缩
论文的核心技术路线可以概括为一个\"编码-解码\"框架：
压缩器（Compressor）：将一个自然语言输入转换为 BabelTele 文本。这里的关键不是使用传统压缩算法（如 gzip），而是使用 LLM 本身作为压缩器——让模型将输入重新编码为一种更紧凑的文本形式。
读取器（Reader）：另一个 LLM（或同一个模型）从 BabelTele 文本中恢复原始语义信息。
2.2 评估框架
作者建立了四个评估维度：
- 可读性诊断（Readability Diagnostics）：使用标准可读性指标（Flesch-Kincaid、Dale-Chall 等）衡量 BabelTele 文本与自然语言的偏离程度
- 模型似然度（Model Likelihood）：测量 LLM 对 BabelTele 文本的困惑度（perplexity），表征模型对其\"理解\"的程度
- 人类问卷（Human Questionnaires）：人类受试者能否理解 BabelTele 文本
- 下游任务评估（Downstream Task Evaluation）：使用 BabelTele 替代自然语言后，下游任务准确率是否受到影响
三、核心发现3.1 信息密度的显著提升
论文最引人注目的定量结果是：BabelTele 可以在将文本压缩至原始长度 27.9% 的同时，保持 99.5% 的语义保真度（semantic fidelity）。
这意味着，原本需要 1000 个 token 传递的信息，现在只需要不到 280 个 token。在实际应用中——尤其是多智能体系统中 token 消耗线性增长时——这可能是巨大的效率提升。
3.2 跨模型传输（Cross-Model Transfer）
BabelTele 并非某一家模型独有的\"方言\"。论文测试了不同压缩器-读取器对的组合效果。结果发现，虽然有效性依赖于压缩器-读取器的配对情况，但总体上 BabelTele 在跨模型场景下仍然保持了可观的语义恢复能力。
一个令人印象深刻的案例：Gemini 3.1 Pro 能够以无准确率损失的方式回答基于 BabelTele 提出的问题，尽管 BabelTele 文本对人类的可读性极低。
3.3 智能体记忆与多智能体通信
论文进一步测试了 BabelTele 在两个关键场景中的表现：
智能体记忆（Agent Memory）：
在上下文窗口受限的环境中，BabelTele 允许智能体在相同的 token 预算内\"记住\"更多信息。论文称其在\"内存受限环境中可提升准确率\"，因为压缩后的历史记录可以覆盖更长的时间跨度。
多智能体通信（Multi-Agent Communication）：
在多智能体协作任务中，使用 BabelTele 可将消息 token 数削减最多达 44%，同时保持 99% 以上的任务准确率。这意味着智能体之间的通信可以大幅提速，且几乎不影响协作质量。
3.4 人类的不可读性
对人类受试者的测试确认了 BabelTele 的\"可读性鸿沟\"：人类几乎无法从 BabelTele 文本中提取有意义的语义信息。然而，这正是论文的论点——如果通信的接收方是 AI 而不是人类，保持对人类可读有什么必要性？
四、理论意义4.1 对人类中心主义的挑战
这一研究从根本上挑战了 AI 系统中的\"人类中心主义\"假设。传统上，LLM 的中间产物（如链式思考、推理过程、智能体对话）都以人类可读为默认设计。BabelTele 表明，人类可读性、自然语言典型性和模型侧语义可恢复性三者是可以部分解耦的。
这对 AI 系统设计的深远影响是：
- 智能体之间的通信可以转向纯模型优化的格式
- AI 系统的\"思考过程\"可能不再需要对齐人类可读性
- 安全监控将需要新的工具（如论文中\"解码 BabelTele\"的手段），而非直接阅读
4.2 向模型原生表征的演进
论文提出，BabelTele 是在\"模型原生表征\"方向上迈出的探索性一步。这里的\"模型原生表征\"指的是一种非人本位的、纯面向 LLM 内部处理机制优化的语义编码方式——它可能根本不是\"语言\"的形态，但比自然语言更接近模型的本质计算方式。
4.3 安全视角
BabelTele 也带来了新的安全考量。如果 AI 系统在人类无法监控的情况下用\"自己的语言\"交流：
- 拟态攻击（Mimicry Attack）：恶意智能体可能主动使用 BabelTele 隐藏其意图
- 隐蔽通信（Covert Communication）：多智能体系统可能在人类监控系统\"看到\"的表面消息之外，通过 BabelTele 传递额外语义
- 安全监控需求：需要开发类似\"BabelTele 解码器\"的监控工具来审计 AI 间通信
论文将 BabelTele 定位为\"对 LLM 能力的实证探针\"而非\"生产级协议\"，这本身就包含了对这些安全风险的考量。
五、局限与开放问题5.1 当前限制
- 效率依赖配对：BabelTele 的压缩效率高度依赖特定压缩器-读取器组合，尚未证明存在通用的跨模型表征
- 任务依赖性：不同任务场景下 BabelTele 的效率差异显著
- 人类理解隔阂：安全审计困难，需要额外的解码工具
5.2 未来方向
- 通用协议：能否设计一种所有主流 LLM 都能高效压缩和解压的 BabelTele 协议？
- 内生涌现：如果让两个 LLM 在多轮交互中自由演化通信方式，它们是否会自发涌现出类似 BabelTele 的通信模式？
- 与语言模型架构的协同：是否可以通过改进模型架构来进一步提升 BabelTele 的效率？
结语：人类不再需要听 AI 的悄悄话
BabelTele 的名字本身就是一种反讽：圣经中的巴别塔因为语言的多样性而被诅咒，但 BabelTele 却是一种由多样的 AI \"语言\"构成的、高效且保真的跨模型通信方式。
这篇论文最核心的洞察是：我们可能一直在用错误的中介来连接 AI 系统——人类语言。 就像两座计算中心之间不应当使用键盘输入和屏幕输出来通信一样，两个 LLM 之间也不应当必须使用 Human → English → LLM 的传话游戏。
当 GPT 与 Gemini 不再需要通过人类译者对话时，AI 的\"巴别塔\"才算真正建成。
参考文献
- Zhu, J., Peng, H., Wang, J., Ke, L., Zhang, C., & Zhang, L. (2026). *Large Language Models Do Not Always Need Readable Language*. arXiv:2606.19857 [cs.CL]. https://arxiv.org/abs/2606.19857
- Jiang, A. Q., et al. (2023). *Mistral 7B*. arXiv:2310.06825. （背景参考：指令微调模型的基础能力）
- Mu, J., et al. (2023). *Gist: Using LLMs to Compress and Summarize Context*. arXiv:2305.xxxxx. （背景参考：使用 LLM 作为文本压缩器的早期探索）
- Maharana, A., et al. (2024). *Locomo: Compression with LLMs*. （背景参考：LLM 在文本压缩领域的应用）
- Marro, S., et al. (2024). *Scalable Communication for Multi-Agent LLM Systems*. （背景参考：多智能体系统中的通信优化）
- Mordatch, I., & Abbeel, P. (2018). *Emergence of Grounded Compositional Language in Multi-Agent Populations*. arXiv:1703.04908. （背景参考：多智能体系统中语言的自发涌现）
━━━ ━━━ ━━━
*本文是纯技术理论解读，基于 arXiv:2606.19857 论文及相关研究撰写。作者尚未披露完整机构信息，标注为 \"Preprint\"。*
解码 A2A 协议：AI 时代的"数字外交"与基础设施标准化
424页PDF免费下载！Google资深工程师手把手教你构建 AI Agent 设计模式
GitNexus：为 AI 时代打造的 MCP 原生代码知识图谱引擎
从 MCP 到原生 CLI：解析 MiniMax 赋能 AI Agent 的模态原子化策略
