第135章 逻辑与生成的结合（1/2）

虽然方博被那一夜速成的代码震得怀疑人生，但在徐辰眼里，屏幕上那个正在跑的demo，其实……

很简陋。

甚至可以说是“丑陋”。

“demo虽然跑通了，证明了『逻辑嵌入』这条路是可行的。但是，”徐辰看著代码里那几行关於盒子体积的计算公式，眉头微微皱起，“这个数学模型，太粗糙了。”

现在的模型，是用“超矩形”来表示概念。比如“猫”是一个小盒子，“动物”是一个大盒子。

这种表示法虽然直观，但在数学上有一个致命的缺陷——梯度硬截断。

当两个盒子完全没有交集时，体积重叠为0，梯度也瞬间变为0。这就意味著，反向传播在这里断掉了，神经网络学不到任何东西。为了解决这个问题，徐辰在代码里加了一个很丑的“平滑项”，但这只是权宜之计，治標不治本。

“这就像是用一堆方块去拼一个圆，无论怎么拼，边缘永远是锯齿状的。”

徐辰的数学强迫症犯了。

“必须要优化。我需要一个更『光滑』的几何结构。”

他的大脑飞速运转，lv.2的数学直觉开始接管键盘。

“为什么非要用盒子呢？”

【写到这里我希望读者记一下我们域名 101 看书网书库广，????????????.??????任你选 】

“逻辑的本质是『偏序关係』。在向量空间里，能完美表达偏序关係的，不一定是闭合的盒子，也可以是……锥！”

“或者，引入高斯分布，利用kl散度来衡量包含关係？”

“不，高斯分布也不够好，它的尾部衰减太快，难以表达传递性。”

徐辰在草稿纸上画了几个图形，最终，他的笔尖停在了一个特殊的流形结构上。

gumbel-box（甘贝尔盒子）。

“如果引入极值理论中的gumbel分布来对盒子的边界进行模糊化处理，就能让原本刚性的边界变得『柔软』且处处可导。”

“这样一来，逻辑推理就不再是生硬的『是』或『否』，而是一个连续的概率流！”

……

“不过，还有一个逻辑上的漏洞。”

徐辰看著屏幕上新生成的gumbel-box模型代码，敏锐地捕捉到了一个潜在的问题。

“如果我把逻辑边界变得『平滑』了，变成了一个连续的概率流，那这和传统的transformer有什么本质区別？transformer也是输出一个概率分布，预测下一个词是『猫』的概率是80%，是『狗』的概率是20%。”

“如果我的模型也只是输出一个软绵绵的概率，那它依然可能会在那20%的时候胡说八道。”

“必须要有一把锁。”

徐辰的眼神变得犀利起来。

他迅速在代码的输出层之前，插入了一个全新的模块——逻辑门控单元。

“gumbel-box的平滑性，是为了在训练阶段让梯度能够流淌，让模型能『学会』逻辑。但在推理阶段，也就是真正上考场的时候，这个平滑的边界必须瞬间『硬化』。”

他在草稿纸上画了一个陡峭的sigmoid函数。

“我设定一个逻辑置信度閾值t（第十九个希腊字母，念做“套”）。当两个概念在几何空间里的重叠体积低於这个閾值时，说明它们在逻辑上几乎不相容，比如『猫』和『植物』。”

“这时候，门控单元会像一把闸刀一样落下，直接將这个路径的概率强行截断为0！”

“传统的llm是『我觉得应该这么说』，而加了门控的laart是『虽然我想这么说，但几何逻辑告诉我，这么说是错的，所以我闭嘴』。”

“这才是完美的逻辑与生成的结合。”

解决了这个关键的机制问题，徐辰终於满意地点了点头。

……

搞定了数学模型的优化，摆在徐辰面前的，是另一个棘手的工程问题。

benchmark（业內普遍直接用英语称呼，意思是基准测试）怎么选？

做ai研究，光有模型没用，你得拉出来溜溜。你得在公开的测试中，把以前的模型，比如transformer、bert、gpt等给考倒了，別人才承认你牛逼。

当年的transformer为了证明它比以前的rnn和lstm强，google团队选择了“英德机器翻译数据集”。

这是一个非常经典的任务。评价標准是bleu分数，也就是看机器翻译出来的句子，和人类翻译的句子，在词汇重叠度上有多高。

transformer在那场考试中，以28.4的bleu分数，刷新了世界纪录，从此一战成名。