本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
当我们向AI提问时，无论是“今天天气不错”，还是“帮我写一段代码”，你是否想过，机器是如何理解这些由文字组成的句子的？毕竟，计算机的世界里只有0和1。
从我们熟悉的文字，到机器能够处理的数字，中间横跨着一道至关重要的桥梁。今天，我们就来揭开这道桥梁的神秘面纱，探索大模型认知语言的基石——语言的数字化表示，并聚焦于这其中的第一个关键步骤：分词 (Tokenization)。
1 为什么要分词？AI的“备菜”环节
想象一下，我们的大脑在阅读“今天天气不错”时，会很自然地将其理解为“今天”、“天气”、“不错”这三个有意义的单元。
这个将连续的文本，切分成一个个独立“语义单元”的过程，就是分词。
如果说整个AI处理语言的过程是一场盛大的烹饪，那么分词，就是最开始的 “备菜”环节。它将原始、连续的文本“食材”，处理成一个个大小适中、方便后续“烹饪”的词元（Token）。
为什么不直接一个字一个字地处理？
这可能是最符合直觉的想法，比如把“今天天气不错”拆成“今”、“天”、“天”、“气”、“不”、“错”。但这种方式会带来两个致命问题：
语义的迷失
单个汉字往往有多种含义。在“今天”里，“天”指“一昼夜”；而在“天气”里，“天”则指“气候”。如果只看单个的“天”，AI就会感到困惑。英文中这个问题更严重，把“Apple”拆成“A-p-p-l-e”，字母本身几乎不携带任何意义。
效率的瓶颈
一个字一个字地拆，序列会变得非常长，这会极大地增加模型的计算负担，让AI的思考变得异常缓慢。
因此，我们需要一种更高效的单元——词语，或者说Token。
| 什么是Token？
在大模型领域，Token 就是分词后得到的基本语义单元。它通常是一个词（如“天气”），有时也可能是一个字（如“的”）或一个符号。
划重点：Token不仅是技术概念，它和你的钱包息息相关！
- 衡量大模型生成速度的单位是 Token/秒。
- 我们调用大模型API的费用，也是按处理的 Token数量 来计算的。例如，某模型可能是“每百万Token输入4元，输出12元”。
理解了Token，你就理解了大模型计价和衡量性能的基本单位。
2 分词技术演进：从“查字典”到“拼积木”
那么，机器具体是如何实现分词的呢？这项技术也经历了一场有趣的演进。
基于词典
这是最古老也最直观的方法，核心思路很简单：
准备一本超级大的词典。
让机器拿着句子，从头开始在词典里找一个最长的、能匹配上的词。
我们用“乒乓球拍卖完了”这句话来举个例子。假设词典里有“乒乓”、“乒乓球”、“球拍”、“拍卖”、“完了”等词。
机器从第一个字“乒”开始，发现最长能匹配上的是“乒乓球”。好，切出第一个词。
接着处理剩下的“拍卖完了”。从“拍”开始，最长能匹配上的是“拍卖”。切出第二个词。
最后剩下“完了”，匹配词典，切出“完了”。
最终结果：“乒乓球” / “拍卖” / “完了”。
这种方法虽然简单，但有两个硬伤：
“贪心”的歧义
它很容易因为“贪图”最长的匹配而犯错。人类一看就知道应该是“乒乓球拍”/“卖完了”，但因为词典里没有“乒乓球拍”，算法就做出了错误的选择。
致命的“未登录词”
如果出现一个新词，比如“DeepSeek”，词典里根本没有。机器就会彻底懵掉，无法识别这个关键信息。
子词切分
为了解决上述问题，现代大模型普遍采用一种更聪明、更灵活的策略——基于子词（Subword）的分词。
它的核心思想是：不要把词语看成是不可分割的整体，而是看作由更小的、有意义的“子词”积木拼成的。
这种方法的好处是显而易见的：
轻松应对未知词
遇到不认识的“smartphone”，可以拆成认识的“smart”和“phone”来理解。
高效学习语义
像“learn”、“learning”、“learner”这些词，都可以共享“learn”这个积木块，模型能更快地理解它们之间的关联。
控制词典规模
我们不需要一本无限大的词典，只需要一套有限但高效的“积木块”，就能拼出几乎所有的词汇。
目前最主流的“拼积木”算法之一叫做BPE（字节对编码）。它的构建过程就像一个有趣的合并游戏：
初始阶段：把所有单词拆成最基本的字母。
迭代合并：在整个语料库里，找出出现频率最高的相邻组合，比如 u 和 g 总是同时出现，就把它们合并成一个新的积木块 ug。
不断重复：持续这个过程，不断合并，产生像 un、hug、 (代表单词结束) 这样的新积木块，直到积木库（词典）达到预设的大小。
通过这种方式，BPE算法为模型打造了一套极其强大且灵活的“词汇积木”，让模型既能认识常见词，又能理解生僻词和新词。
3 总结
今天，我们一起探寻了AI理解人类语言的第一步——分词。
我们了解到，分词就是将文本切分为Token的过程，它是后续所有处理的基础。我们还对比了两种主流技术：传统的“查字典”法和现代大模型普遍采用的“拼积木”法（子词分词）。
正是后者这种灵活的策略，才让今天的AI能够从容应对日新月异、千变万化的网络新词和专业术语。
当然，将文本切分成Token只是第一步。接下来，模型还需要将这些Token转化为包含丰富语义信息的数字向量（Embedding），这才是真正让机器“理解”语言内涵的关键。
这个神奇的过程，我们将在下一期内容中为大家揭晓。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
