你们有没有想过，像那些聊天机器人或者无所不能的AI大语言模型，它们是怎么看懂我们写的字，听懂我们说的话呢？它们又不认识汉字，也不会说中文，这到底是怎么做到的呢？
给每个词一个“秘密代号”
想象一下，我们要教电脑认识小动物。我们不能直接给它看图片，得用一种它能懂的语言——数字！
我们可以给每个小动物打分，比如：
▷ 毛茸茸指数（1分代表不太毛茸茸，10分代表超级毛茸茸）
▷ 汪汪叫指数（1分代表不叫，10分代表很会汪汪叫）
▷ 抓老鼠指数（1分代表不抓，10分代表抓老鼠高手）
那么，“小狗”可能会得到这样的分数：毛茸茸指数 7分，汪汪叫指数 9分，抓老鼠指数 2分。我们可以把这叫做小狗的“秘密代号”：(7, 9, 2)。
“小猫”呢？可能就是：毛茸茸指数 8分，汪汪叫指数 1分，抓老鼠指数 9分。小猫的秘密代号就是：(8, 1, 9)。
你看，“小狗”和“小猫”的秘密代号就不一样。而且，通过比较这些数字，电脑就能“感觉”到它们的不同：哦，一个喜欢汪汪叫，一个擅长抓老鼠！
超级多的“秘密代号”！
刚才我们只用了3个数字来代表小动物。但对于我们人类语言里的每一个词，比如“开心”、“学习”、“天空”、“香蕉”…… 大模型会用超级超级多的数字来给它们“秘密代号”！不是3个，也不是10个，可能是几千个，甚至上万个数字！
在GPT-1 里，每个词用了 768 个数字来表示。在 GPT-3 里，每个词用的是 12288 个数。在 DeepSeekV3 模型里，用的是 7168 个数来表示每个词。
这么多数字，就像给每个词画了一张超级详细的“画像”。电脑虽然看不懂“开心”这两个字，但它能记住“开心”对应的几千个数字代号。
“词嵌入”：把词语放进“数字空间”
科学家们给这种用一大堆数字代表一个词的方法，起了一个酷酷的名字，叫做“词嵌入”，英文叫 Embedding。
“嵌入”是啥意思呢？想象一下我们刚才给小动物打分，如果只用两个分数（比如“毛茸茸指数”和“汪汪叫指数”），我们是不是可以在一张纸上（一个二维平面）画一个点来代表“小狗”，再画一个点代表“小猫”？
▷ 小狗：（毛茸茸7分，汪汪叫9分） -> 在纸上的某个点
▷ 小猫：（毛茸茸8分，汪汪叫1分） -> 在纸上的另一个点
这就好像把“小狗”和“小猫”这两个词，“嵌”入到了这张纸里。
如果用三个分数呢？就像长、宽、高，我们就可以在一个立体空间（比如一个大箱子）里找到一个点来代表它。
而大模型用几千、上万个数字代表一个词，就等于把这个词“嵌”入到了一个超级复杂、我们想象不出来的“高维空间”里！虽然我们画不出来，但在数学上，它是存在的。
数字怎么来的？电脑自己“学”！
那这些代表词语的数字（秘密代号）是怎么定下来的呢？是人一个个设置的吗？当然不是，那太累啦！
大模型在“学习”（训练）的时候，会阅读超级多的文字，比如图书馆里所有的书、网上所有的文章。它会观察哪些词经常一起出现，哪些词意思比较像。
一开始，所有词的数字代号都是乱七八糟的。但通过不断阅读和学习，大模型会慢慢调整这些数字，就像整理房间一样，把意思相近的词，它们的“秘密代号”变得也更接近。比如，“高兴”和“快乐”的秘密代号会很像，它们在那个“数字空间”里的位置也会靠得很近。而“高兴”和“桌子”的秘密代号就会差很远。
一词多义怎么办？看“邻居”！
我们知道，有的词有好几个意思，比如“球”，可以指篮球、足球，也可以指地球。电脑怎么知道我们说的是哪个“球”呢？
别担心！当一个词和其他词一起出现时，这些“邻居”词会给它线索。
▷ 如果你说“踢球”，旁边的“踢”这个词的秘密代号，就会和“球”的秘密代号发生一种奇妙的“化学反应”（其实是数学计算），让“球”的代号更偏向“足球”或“篮球”的意思。
▷ 如果你说“地球”，旁边的“地”字就会让“球”的代号指向我们居住的这个星球。
所以，词语的秘密代号不是一成不变的，它会根据上下文，也就是旁边的“邻居”词，进行微小的调整，变得更准确！
总结一下
所以，大模型理解文字的秘密武器就是：
（1）给每个词一大串数字作为“秘密代号”（词嵌入）。
（2）这些数字能表示词语的意思和它们之间的关系。
（3）意思相近的词，它们的“秘密代号”也相近。
（4）电脑通过阅读海量文字，自己学会怎么给词语定这些代号。
（5）通过词语旁边的“邻居”词，电脑能判断一个词在当前语境下的准确意思。
是不是很有趣？电脑用这种我们看起来有点“笨”的数学方法，竟然就能处理我们复杂又美妙的语言啦！这背后其实是很多聪明的数学和计算在帮忙哦！
供稿单位：重庆市无线电科普体验中心
审核专家：张启义
声明：除原创内容及特别说明之外，部分图片来源网络，非商业用途，仅作为科普传播素材，版权归原作者所有，若有侵权，请联系删除。
主题测试文章，只做测试使用。发布者：参考消息网，转转请注明出处：https://www.cns1952.com/gov/10990.html
