创作的算法思维从易经的“变易”看生成式 AI 的多样性一、个性化深度引言《易经》的核心是“变易”——万事万物都在变化之中。六十四卦不是六十四个答案而是六十四种变化路径的描述。这个思想在我调试生成模型时频繁浮现。实际工作中很多人把生成式 AI 当成一个“输出正确答案”的工具。但如果只用贪心解码greedy decoding每次给定相同的输入模型都产出完全相同的输出。这恰恰违背了“变易”的精神。见证奇迹的时刻在于当我用《易经》的变易框架重新理解采样策略时Temperature 不只是温度参数它变成了系统的“熵值自由度”。二、个性化原理剖析变易思想的算法映射《易经》有三个核心概念变易万物恒变没有固定的答案不易变化的规律本身是不变的简易复杂的规律可以用简单的符号表达这三个概念恰好对应生成式 AI 的三个层面六十四卦的变化空间从组合数学的角度来看六十四卦本质是一个 6 位二进制状态空间6 个爻每爻有阴阳两种状态。卦与卦之间的“变卦”关系类似于语言模型中 token 序列的状态转移。具体来说一个卦有 6 个爻$2^6 64$ 种可能每次占卜得到 1 个本卦可能有 1 个变卦$64 \times 64$ 种组合这接近语言模型在每一步从词表中选择 1 个 token 的过程用信息论的视角看生成式 AI 的输出是 $V^L$ 种可能V 是词表大小L 是序列长度而 Temperature 和 Top-p 本质上是控制“我们愿意考虑多少种可能性”。变易对算法设计的启发《易经》的“变易”不是随机变而是有规律的变化。这个规律就是阴阳消长、五行生克。类比到生成模型中Temperature 0相当于“绝对不易”——输出完全确定没有变化Temperature 1相当于“自然变易”——按词表原始概率分布变化Temperature 1相当于“无序之变”——概率分布过于均匀失去方向这个对应关系帮助我们理解好的生成不是“更多随机性”而是“在约束框架内有节奏的变化”。这正是卦象变化的核心逻辑。三、个性化代码实践import numpy as np from typing import List, Tuple class HexagramGenerator: 卦象 → Token 选择的类比实验 将易经的卦变思想映射到语言模型的采样策略 # 设计原因八卦基础映射乾兑离震巽坎艮坤 TRIGRAMS { 乾: 111, 兑: 110, 离: 101, 震: 100, 巽: 011, 坎: 010, 艮: 001, 坤: 000, } staticmethod def generate_hexagram() - Tuple[str, str]: 模拟起卦过程 返回 (本卦, 变卦) 的二进制表示 # 设计原因每个爻的阴阳状态作为随机变量 # 老阳(9)和老阴(6)是变爻少阳(7)和少阴(8)不变 lines [] changing_lines [] for i in range(6): value np.random.choice([6, 7, 8, 9]) yin_yang 1 if value in [7, 9] else 0 # 阳爻1 lines.append(yin_yang) if value in [6, 9]: changing_lines.append(i) original .join(lines) # 计算变卦将变爻位置取反 changed_list list(original) for idx in changing_lines: changed_list[idx] 0 if changed_list[idx] 1 else 1 changed .join(changed_list) return original, changed def analog_to_sampling( self, prob_dist: np.ndarray, temperature: float 1.0, ) - int: 将变卦思想类比为采样策略 设计原因Temperature 类比为变爻概率 - T 越大 → 更多爻可变为变爻 → 更多候选 token - T 越小 → 变爻极少 → 输出更确定 # 变爻概率 sigmoid(log(T)) 映射到 0-1 change_prob 1 / (1 np.exp(-np.log(max(temperature, 0.01)))) num_candidates len(prob_dist) # 使用 Top-p 思想保留核心候选 sorted_indices np.argsort(prob_dist)[::-1] cumsum np.cumsum(prob_dist[sorted_indices]) # 设计原因cumsum 表示累积概率类比卦象的确定性 cutoff np.searchsorted(cumsum, change_prob) # 在保留的候选集合中采样 candidates sorted_indices[:max(1, cutoff)] weights prob_dist[candidates] / prob_dist[candidates].sum() return int(np.random.choice(candidates, pweights)) # 运行示例 hg HexagramGenerator() original, changed hg.generate_hexagram() print(f本卦: {original}) print(f变卦: {changed}) # 模拟概率分布中的采样 prob_dist np.array([0.4, 0.3, 0.15, 0.1, 0.04, 0.01]) np.random.seed(42) print(\n不同 Temperature 下的采样结果运行10次) for T in [0.3, 0.7, 1.0, 1.5]: samples [hg.analog_to_sampling(prob_dist, T) for _ in range(10)] uniq len(set(samples)) print(f T{T:.1f}: 采样结果{samples}, 唯一值数{uniq})四、个性化边界权衡类比维度易经概念算法对应启示卦象空间64 卦 × 变卦词表大小 × 序列长度可能性空间的组合爆炸变爻机制老阳老阴可变Temperature 控制变化的程度需要调控阴阳消长阴爻变阳爻Token 概率的涨落分布是动态的不易规律八卦相荡的法则Softmax 归一化变化的底层规则不变简易表达阴(--)阳(—)Token ID离散符号表达连续语义关键权衡确定 vs 随机完全确定T0的生成失去了“变易”的活力但完全随机的生成失去了“不易”的方向。工程上需要像卦象变化一样——在框架内变化。传统智慧的工程价值不是用来直接指导代码而是提供一种“跳出纯技术视角”的思考框架。当调试陷入瓶颈时换个视角本身就有价值。过度类比的风险易经是哲学体系不是数学公式。用算法思维重新解读易经是启发性的但不能期待“按易经写的代码天然更好”。五、总结《易经》的“变易”思想为理解生成式 AI 的多样性控制提供了跨学科视角。卦象的六位二进制状态空间与语言模型的 token 选择过程具有形式上的相似性——都在巨大的可能性空间中寻找有意义的变化路径。Temperature 参数对应变爻概率控制变化的程度Softmax 归一化对应“不易”的规律性约束离散的 token 表达对应“简易”的符号化思维。这种思维方式的价值不在于直接指导调参而在于提供一种超越纯技术视角的理解框架——提醒生成系统的设计者好的变化是在规律内的变化好的多样性是在约束内的多样性。