通俗解释：大模型是怎么理解文字的？

真奇怪，你说这大模型到底是用什么办法理解人类文字的啊？

前几天我老婆这么问我。

我告诉她，大模型会把每个词都用数字来表示。

这样预测下一个词，就变成了在做一道计算题。

只要不停地往后做计算题，它就可以不停地输出文字。

她听完好像更疑惑了的样子：可是一个词语的含义那么丰富，用数字是怎么能把这些丰富含义都表达出来的呢？

比如像「苹果」既可以是一种水果，又可以是一家公司，数字到底要怎么表达出复杂含义呢？

于是我决定换个方式给她通俗解释一下。

我们先假设「国王」这个词用1表示，「女王」这个词也用1表示。

是不是可以看作，这两个词在某一个维度上是相同的，比如「地位」当然也可能是别的维度。

而如果「女王」这个词用2表示，就说明这两个词在某一个维度上是不同的，这个维度可能是「性别」，也可以是别的。

你看，用一个数字，就可以从一个维度上来描述两个词的区别。

现在我们开始用两个数字来表示每一个词。

假设「国王」是（2,1），「女王」是（2,2）。

是不是可以看作，它们在某一个维度上（地位）是一样的，而在另一个维度上（性别）是不一样的。

你看，我们用更多的数字来表示每一个词，就可以更细致地来描述它。

现在我们再加两个词。

「男人」这个词，在性别上和国王相同，都是1，但是地位和国王不同，记为1,所以男人是（1,1）。

「女人」这个词和在性别上和女王相同（都是2），地位上和男人相同所以记为(1,2）。

有趣的事情就发生了，你会发现：国王减去男人再加上女人，等于女王。

你看，在地位上，二减一再加一等于二。在性别上，一减一加二等于二，而二、二刚好就是女王。

我们仅仅用了两个数来表示每一个词，再配合简单的加减法，就模拟出了这四个词在两个维度上的区别和相互关系。

那如果更多的数来表示每一个词，比如三个、十个数、一百个数、一千个数，并且用更复杂的计算方法，不就可以从更多维度更细致地描述每一个词之间的关系？

实际上大模型就是这么干的。

在GPT-1里，每一个词用768个精确到小数点后七位数的数字来表示。

在GPT-2里，每一个词是用1600个数来表示。

GPT-3，是用12288个数。

在DeepSeek 第二代模型里，用了21000个数来表示每一个词。DeepSeek-V3用7168个数来表示每一个词。

不过大模型不会告诉你，每一个数究竟代表什么意思，虽然肯定代表着某种含义或者属性。

用来表示每一个词的这一堆数字，专业术语叫「词嵌入」，英文叫 embedding。

词嵌入，为什么要叫这么奇怪的名字呢？

其实词嵌入这个名字还挺形象。你看啊，刚才我们用两个数字来表示一个词，两个数字是不是可以看作是一个二维坐标？或者是二维向量。

那么用两个数字来表示一个词，是不是就相当于把这个词，嵌入到一个空间里。

用三个数字来表示一个词，就相当于把词嵌入到一个三维空间里。

用7168个数来表示每个词，就相当于把这些词嵌入到一个7168维的空间里，虽然我画不出来，也想象不出来，但7168维的空间在数学上确实存在。

这就是为什么它叫词嵌入，因为真的是把词嵌入到数学空间里。

顺便说一下，词嵌入和Token ID是两个完全不同的东西。

Token ID是一个词在词库里的编号，而词嵌入是直接用一堆数来模拟这个数。

TokenID相当于图书馆里某本书的编号，而词嵌入相当于这本书的摘要。

那每一个词的词嵌入的值是怎么定出来的呢？

刚开始都是随机的，相当于所有词随机散乱地分布在一个房间里。

在大模型训练阶段，就开始「打扫」房间，会根据人类现有大量文字的分布规律，把每个词收拾到最合适的位置上，意思相近的词通常会离得更近一些。

训练完以后，每个词的位置关系就可以体现出它和其他词的关系，就像前面这个例子。

而一个词的含义，本质上就是由它和其他词的关系决定。

比方说，我们在解释一个词的时候，会用很多其他词来解释它，而用来解释的这些词，又需要用另一些词来解释，如此往复，最后发现，词和词相互交织在一起才形成了每一个词的含义。

那像「苹果」这个词，又可以表示一种水果，又可以表示一家公司品牌。

那它的词嵌入的位置，究竟是在水果这边，还是在公司这边呢？

答案：都不是。

一开始，处在一个中间状态，就像薛定谔的猫。

当它和其他词出现在一起，会相互发生计算，改变它原来的值，坍塌为某一种更具体的含义。

比如当苹果前面出现了一个吃字，那这个吃字就会和苹果发生计算，把苹果的词嵌入更新为水果那个苹果。

而如果「苹果」的后面跟了一个「手机」或者「公司」，那这些词同样会和苹果发生计算，把苹果的词嵌入更新为专门指代公司品牌的值。

这就像人一样，也得通过上下文来判断一个词的含义。

所以回过头来，大模型是怎么理解文字的？

每一个词都是大量的数学计算。

—收工—‍‍

以下是本篇内容的视频版

喜欢的话别忘了支持一下