利益第三人1. 神经网络如何让AI真正"理解"诗歌创作
在2014年之前，AI作诗主要依赖两种传统方法：拼凑法和统计模型法。这两种方法都存在明显的局限性。拼凑法就像把一本字典撕成碎片，然后随机抽取纸片拼成句子——它完全无法理解每个字词的含义，更谈不上把握诗歌的意境。而统计模型法虽然能分析字词之间的共现频率，但就像只懂得统计菜单上菜品搭配概率的厨师，做出来的"诗"往往生硬别扭。
问题的核心在于两点：语义理解和长距离依赖。传统方法既不能真正理解汉字的深层含义，也无法捕捉诗句中跨越多个字词的复杂关系。举个例子，"春风"和"杨柳"这两个词在古诗中经常相伴出现，但统计模型只能知道它们常一起使用，却无法理解为什么"春风杨柳万千条"是合理的，而"杨柳春风万千条"就少了些韵味。
1.1 词向量：让汉字拥有"语义DNA"
词向量技术的出现彻底改变了这一局面。想象一下，我们把每个汉字都变成一个独特的"语义DNA"——在几百维的空间中，每个汉字都有一个对应的坐标位置。通过海量文本的训练，"春风"和"杨柳"这两个词的向量会在空间中彼此靠近，而它们与"钢筋""水泥"等词的向量则相距甚远。
这种表示方法的神奇之处在于，它不仅能捕捉简单的同义关系，还能理解更复杂的语义关联。比如：
- 国王 - 男人 + 女人 ≈ 女王
- 北京 - 中国 + 日本 ≈ 东京
在诗歌创作中，这种语义表示让AI能够判断"春风拂面"比"钢风拂面"更合理，尽管这两个短语在字面结构上完全一致。清华大学"薇薇"系统的词向量模型训练使用了超过50万首古诗作为语料，这使得它能够准确把握古诗用词的精妙之处。
1.2 序列建模：捕捉诗歌的"气息流动"
诗歌不同于普通文本的一个重要特点是它的"气息"——字与字之间、句与句之间存在微妙的呼应关系。传统方法最多只能看到相邻几个字的关系，就像近视的人只能看清眼前几米的东西。而循环神经网络(RNN)和Transformer模型则像给了AI一双"千里眼"。
以"薇薇"系统使用的LSTM网络为例，它有一个特殊的"记忆单元"，可以保持对前文信息的长期记忆。当生成"满城春色"时，系统还记得前文提到的"东风吹雨"，因此能够自然地接上"在天辉"，形成完整的意境。这种能力对于创作绝句、律诗等讲究起承转合的传统诗体尤为关键。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。