精英们总喜欢拽词，最好是让人不明觉厉那种。之前是“拉通、对齐、抓手、露出、湖仓一体”这些中文，这两年是些AI相关的英文（prompt、embedding、RAG、Function Call、LangChain、Agent、Workflow、NLP2SQL...），过几年又不知道是什么。这习惯本质上和穿戴奢侈品类似，一方面凸显自己的专业高级感，一方面制造社交距离。可以预见的是，十年后只要不是专业开发人员，大都不会再提起这些，甚一如十年前看似重要的“J2ME 、MVC、SHH...”。
热词都会被时间内化到日常里，只留下最基础的含义，甚至什么都留不下。写这篇，是想从非技术的视角记录对AI术语的理解，不求准确，只求简单粗暴，方便忘记时回来看看。这词直译是“嵌入”的意思，为了好计算，将复杂的高维向量转换为简单的低维向量。忽略掉“高维/低维/向量”，在我看来embedding更有“替换”的意思，粗暴地说就是用数字打标签。类似将每个词编码为一串数字，类似于这个词的身份证号，而这串数字是唯一的。比如龙傲天，这个词被embedding之后，就会变成“1,2,3,4,5,6,7,8”。现在计算机拿着一份花名册，要从名册上找到“龙傲天”，只用拿“1,2,3,4,5,6,7,8”去找就行了，比拿“龙傲天”三个汉字去找要容易。到这儿，已经大致知道embedding是个啥货了，和别人吹一个牛基本够用。要吹更多得牛，得再深入一些。上面的玩法是word2vec，属于词向量的技术（word embedding），顾名思义就是只玩词的，图片视频啥的玩不了。word2vec还能对那串数字进行加减法，比如“国王 - 男人 + 女人 = 女王”。词向量模型再进一步，就有了glove技术。虽然不知道它为什么要叫手套，但这玩意能通过全局的词频统计，来生成向量，对语义的理解，比word2vec就要深一些。通过检索全局就能知道龙傲天、库日天、叶良辰等人经常在一起玩，用glove为花名册生成向量时，他们几个的编码就会比较接近。
龙傲天：1,2,3,4,5,6,7,8
库日天：1,2,3,4,5,6,8,7
叶良辰：1,2,3,4,5,8,7,6
接着，如果有些不知道的生僻词，模型很难理解其中的意思。于是FastText登场，它主要靠拆词来理解，有点通过偏旁部首认字的意思。比如它能通过“钅”和“同”，推断“铜”是个金属元素。经过FastText这一顿embedding后，模型就有了理解新词的能力。
但不管是word2vec还是FastText，它们都只能embedding出静态向量，即每个词只有一个唯一的编码，意味着不能区分多义词。假设花名册里有两个叫龙傲天的人，给到的编码也只会是一样的。同理，用英文说一句：河岸（bank）边的银行（bank），俩bank不是一回事儿，模型就只会把bank理解成一个意思。它不再给每个词赋予一个唯一的编码，而是能够结合上下文动态地为不同句子里的同一个词给出编码。比如“我在吃苹果”这句话中的“苹果”，指的是粮食类，编码是9,5,2,7。比如“我用的是苹果”这句话中的“苹果”，指的是手机类，编码是8,3,8,4。到这里，模型就从对词义的理解，进化到了对语境的理解。更加深度的理解，就得到Transformer架构的出现。BERT模型采用双向Transformer，GPT模型采用的是单向Transformer。一个重在理解类任务，一个长于生成式任务。例如你告诉GPT：“我叫龙傲天，我的少爷叫刘波...”Transformer架构，可以看作是现在大语言模型的基础，有了这个架构，大模型才能被训练出来。这是个更复杂的话题，用人话讲明白不太容易。总的来说，上面一步步地进化，就是让模型更加准确地理解语义，使embedding更加精准，从而更好地进入到下一步的任务中。什么任务？举个例子，电商里常见的推荐任务，怎么推荐才能让你看到最适合你的商品？你在平台的行为数据，乃至平台能获取的你在平台外部的行为数据，都可以embedding为向量。万物皆可embedding，你和商品的关系，商品和商品的关系，你和其他用户的关系，其他用户和商品的关系等等。其中你和商品的关系就能分为：商品类别，价格，你的浏览时长，是否下单，浏览频次....据说阿里的商品向量至少是768维的，即用768个数字描述一个商品，这还是省成本的妥协。字节的Seed1.5-Embedding模型，向量维度最高能到2048。写到这里，有点唏嘘。AI时代把一切都向量化，大家都是行走的数字。
|
