理解人类语言：电脑AI写作原理，神经网络语言模型的运作(1)
在本系列中，我将尽可能通俗易懂地，深入讲述电脑 AI 的写作原理（包括细节）。
人类写作，有想法，有写作目标，可能还有提纲，有整体结构的构思。然后，用语法和修辞表述出来。
电脑写作，最常见的方法是，一个个字写。每次分析一遍前文，然后在后面添一个字。
一、电脑的写作过程
在电脑眼中，写作是个数学问题。
举例，输入这是一只，然后让电脑续写，它的写作过程如下：
电脑的思维模型，是一个神奇函数 F(C)，输入前文 C，输出下一个字的概率分布。
电脑的写作过程：
- 电脑计算 F(这是一只) = 3%巨，2%体，2%黑，1%有，1%大，… 电脑按照概率分布，决定下一个字选择来。
- 电脑计算 F(这是一只来) = 89%自，4% 历，… 电脑按照概率分布，决定下一个字选择自。
- 电脑计算 F(这是一只来自) = 16%于，5% 地，… 电脑按照概率分布，决定下一个字选择大。
注意：按照概率分布决定的意思是，按照这个分布随机选择。例如，这是一只后面，有3%的概率选巨，2%的概率选体（而不是每次直接选概率最高的字，因为那样出来的内容很容易重复）。所以，同样的开头，电脑每次续写的结果都会千变万化。
于是，电脑可以一个个字写下去，写出任意长的内容。
如果你仔细看，会发现这个电脑有时计算的概率不准（例如这是一只来自大海的海洋后面逗号和句号的概率过高），因为它是个小模型，它对于中文的理解还不够准确。
我训练的 AI 写作模型是开源的，可以在这里下载（需要电脑）：
还有一个网页版，在手机点开就能写（不过比电脑版弱一些）：
那么，电脑是如何计算出这个神奇函数 F(C)？
首先，将所有字符（汉字、标点、数字、外语、符号等等）都编码成数字。
我的模型有一个固定的字符表，支持 8849 种字符（可以支持更多，但越大运行越慢，所以八千多够用了）：
所以这是一只会变成【7587, 3482, 605, 1372】。
然后 F(7587, 3482, 605, 1372) 会计算出 8849 个概率，对应下一个字的概率分布。
例如巨在字表是 2565，F(7587, 3482, 605, 1372) 输出的第 2565 个概率是 0.0375。所以这是一只下一个字是巨的概率是 3.75%。
例如体在字表是 824，F(7587, 3482, 605, 1372) 输出的第 824 个概率是 0.0234。所以这是一只下一个字是体的概率是 2.34%。
总之，这个神奇函数 F(C) 是一个纯粹的数学函数，输入一串数字（代表前文），输出 8849 个概率（代表下一个字的概率分布）。
所以，在电脑看来，写作不应该在语文课教，应该在数学课教。它做几亿次加减乘除之类，就可以算出来怎么写。
二、寻找神奇函数
现在让我们想想，怎么构造 F(C)。
概率分布，需要满足两个条件：(1) 每个字的概率在 0 到 1 之间。(2) 所有 8849 个概率加起来等于 1。
最简单的 F(C)，是忽略前文，直接输出 [1/8849, 1/8849, 1/8849, …]，意思是，下一个字是在 8849 个字中随机均匀选择。
这样生成的内容是纯乱码，例如：
这是一只嚯穑泫跺罔T贼谅僖溯啪泌坊堆孑蓟刭Ｙh窦吶剃散恨綮沄势晔偃H鎏镀k蒋赍扈峒哝幄蛴守嶷呓蟮亡蟆圃蟥驼蜮铤蹚《仟憨犀衍蔌拼捕恋沮咦鲞颤莉昃仕蔌飞芪°稍已织媲刿瞥理霍筛苡哞搏瞿惯盔栎窝厅骠眯禄褔儛咆鏖漉峁
稍微聪明一点的 F(C)，是注意到每个字符的基础概率不同，例如【无】比【戊】常用。
所以，我们预先扫描一遍小说库，统计 8849 字符各自的出现概率。
然后，F(C) 忽略前文，每次输出 8849 个固定的概率，对应它们的基础概率。（这个方法的学名叫做 1-gram 模型）
这样生成的内容好一些，例如：
这是一只，有！，人身下王光概？带下了们等身后问然来论里知都，不的得色，以说的我源，兰！回还幽期黑力记芊好备奔眼心因被共进现色消立想让眼了身。她间，意仔，成已而，沿出黑临下这还么虽终奇身的的许英东里
再聪明一些的 F(C)，是看前文 C 的最后一个字。因为这个字，离下一个字最近，对于下一个字的影响很强。
这其实就是马尔可夫链的思维。（这个方法的学名叫做 2-gram 模型）
我们预先扫描一遍小说库，统计每个字后面各个字的概率。
例如，我后面各个字符的概率是：【12.5% 们 6.7% 的 2.8% ， 2.6% 不 …】
例如，只后面各个字符的概率是：【24.3% 是 13.0% 有 8.2% 要 8.0% 能 ...】
然后，每次 F(C) 会根据 C 的最后一个字，输出它后面各个字的概率分布。
这样生成的内容又好一些，开始出现一些词语（因为词语就是常常一起出现的字），例如：
这是一只是技术的手上来找一挥了一定风筝境，我的清楚，停，就是袁督和黑的人都被肚腹，你再踹在水晶的小的走到是在克，便向蝶叶归来就能让他对摩再次子！圣与周桓真当最先隐藏在四大的愚蠢的态：一件事业开阔的贵被黄
三、采样技巧
为了提高通顺度，我们还可以用更保守的采样方式。例如，忽略概率很低的候选字。
每次只考虑概率最高的 20 个候选字（这个方法的学名叫做 top-k 采样）：
这是一只是他们这道：他说不那天没有也不到了一声，一个人中人，我们看看到我一个大。是，就要有心的。那么的时没有这么那就不，他们的，我一个时面对不想要我不得子也是你来，我一个人不要，天之间过去。她
每次把所有的候选字排序，然后只在概率位于最前 70% 的候选字中选择（这个方法的学名叫做 top-p 采样）：
这是一只是第一个字。我就不能反应该可以气。我，与江海身来说：我就这事！她什么人！我一个人，我们的水的不得？正和多少女的子不是见不会了！他又何不住，看？我的双手，只是跟着我无法行道：没人你
这些保守的采样方式，可以提高一些通顺度，代价是牺牲一些多样性。通常 top-p 的效果较好。
四、多看几个字
现在，你可能会想，我们可以再看前文的最后两个字，看前文的最后三个字，等等。
- 例如，如果电脑仅仅看到只这一个字，后面的字通常是是 有 要 能等等。
- 但是，如果电脑可以看到一只这两个字，那么，它分析小说库中所有出现一只的情况，就知道，后文通常应该接描述动物的形容词（因为作为小说，直接接名词会有些生硬）。
所以，即使只看最后两个字，也足以显著提高效果。
但是，这种方法，即使看再多字，也容易遇到瓶颈：
- 小说库，不可能包括所有可能的n个字组合，写着写着就会遇到我们从来没见过的组合。
- 一种解决方法是：我们可以只往前看到出现过的组合为止。
- 一种解决方法是：我们可以用平滑技术，猜测未知组合的概率。
- 小说库越大，预先储存【所有出现过的n个字组合】的概率，就越耗费储存空间，查询速度也慢。
就算我们解决了这些问题，这样的电脑最终也只是个背诵专家，它的创造力很低。
电脑甚至无法学会引号和括号和书名号需要配对这样的规则。电脑更无法根据前文的内容进行推理。
所以，模型需要用更复杂的算法，分析整个前文，更精确地计算出下一个字的概率分布。
以 GPT 为代表的神经网络语言模型，它的计算过程更复杂，最终电脑的理解力明显更高。
在本系列的下一篇，我将开始深入介绍 GPT 的运作细节。
