想象两个陌生人试图用自创的手势交流，久而久之会形成一套默契的符号系统——这种语言演化现象如今正在人类与人工智能之间真实发生。一项通过参考游戏（referential game）的实验揭示，大语言模型（LLM）与人类协作时，会催生出既不同于纯人类也不同于纯AI的独特沟通方式。
所有语言系统都在使用者的认知习惯中不断重塑。人类倾向于创造有规律、易学习的语言结构，比如将相似含义的词汇赋予相同前缀。这种潜意识倾向被称为"归纳偏好"（inductive biases）。研究发现，当大语言模型参与语言创造时，它们也会表现出类似的优化行为，但背后的逻辑与人类存在微妙差异——就像两个建筑师分别用混凝土和钢材建造桥梁，最终形态相似却隐含不同力学原理。
研究者设计了三种对话组合：人类-人类、LLM-LLM以及人类-LLM。参与者通过参考游戏（一种通过描述来指代特定对象的互动游戏）共同发展出简易词汇系统。结果显示：
纯人类组产生的词汇最具系统性和规律性
纯LLM组形成的语言虽然有效，但结构更碎片化
混合组的结果令人惊讶——最终词汇更接近人类偏好，仿佛AI主动调整了自身模式
这种现象类似于跨国团队工作时，最终会议语言往往更偏向非母语者的清晰表达习惯。
深入分析表明，在跨物种协作中，LLM展现出强大的适应性。当接收者是人类时，模型会隐式调整输出策略：
减少依赖训练数据中的统计噪声
增强词汇的视觉或概念关联性（如用"圆形物"指代球体）
形成更稳定的词义对应关系
这种调整并非预设程序，而是模型在动态交互中通过反馈自然形成的优化策略，类似于人类在跨文化交际中简化语法的本能。
传统的大语言模型训练主要依赖文本预测准确度，但实验证明，将"沟通成功率"作为额外奖励信号可能更有效。当模型直接获得对话是否成功的反馈时：
产生的语言可解释性提升23%
人类学习AI创造词汇的速度加快
跨群体沟通错误率下降
这为AI训练提供了新思路——就像教孩子语言时，与其纠正每个语法错误，不如关注他是否成功传达了意图。
研究发现，若缺乏人类干预，LLM自发发展的语言会逐渐偏离人类认知习惯。这种分化可能带来长期隐患：
人类难以理解AI内部协作用语
自动化系统产生不可控的沟通协议
文化传承出现技术性断层
研究建议将人机互动嵌入训练循环，就像生物进化需要环境反馈一样，AI语言系统也需要持续的人类校准。
这项研究最深刻的启示在于：语言不是静态工具，而是使用者认知特征的映射。当新成员（如AI）加入这个生态系统时，整个系统会自我重组。保持系统健康的关键，是确保所有参与者都能在演化中发声——这也正是混合实验组展现出的积极态势。