之前看过一本讲 GPT 原理的电子书《Build a Large Language Model (From Scratch)》 ,感觉还是非常复杂，要求有一些机器学习的基本功才能懂。
然后最近，有大神 Andrej Karpathy 情人节前（2.12）写了篇博客：https://karpathy.github.io/2026/02/12/microgpt/ ，分享如何用 200 行 Python 代码从零写一个类 ChatGPT 算法，用于生成人名。
项目叫 MicroGPT，已开源到 Github：https://gist.github.com/karpathy/8627fe009c40f57531cb18360106ce95
最近有好心人用更通俗的语言和图表写了篇解读：https://growingswe.com/blog/microgpt ，发现还是有点难懂，让 AI 重写一遍，去公式，加名词解释。现在终于能看懂部分了。
训练数据：32000 个名字
模型要学什么？
32000 个人名，一行一个：emma、olivia、ava、isabella、sophia…
任务很简单：学会这些名字的统计规律，然后生成新的、听起来像真名字的词。
训练完之后，模型能输出 “kamon”、”karai”、”anna”、”anton” 这样的名字。
它学会了哪些字母容易跟在哪些后面，哪些音节常出现在开头或结尾，一个名字通常多长。
从 ChatGPT 的视角看，你跟它的对话就是一个文档。
你输入提示词，它的回应就是统计意义上的文档续写。
第一步：把文字变成数字
神经网络只认数字，不认字母。
所以得有个转换方式，最简单的做法是这样的：
给每个独特字符分配一个整数。
26 个小写字母得到 0 到 25 的编号，再加一个特殊标记 BOS（Beginning of Sequence，序列开始），编号 26，用来标记名字的起止。
Tokenizer（分词器）：把文本转换成数字序列的工具。就像给每个字符发一张身份证，上面写着专属编号。
比如 “emma” 变成：
BOS(26) → e(4) → m(12) → m(12) → a(0) → BOS(26)
这些整数本身没有大小关系。
4 不比 2 “更大”，它们只是不同的符号，就像给每个字母涂上不同颜色。
生产环境的 Tokenizer（比如 GPT-4 用的 tiktoken）会按字符块切分，词汇表有 10 万个 Token，但原理一样。
预测游戏：猜下一个字
核心任务来了：给定目前看到的 Token，预测下一个是什么。
我们一个位置一个位置往前滑。
在位置 0，模型只看到 BOS，要预测第一个字母。
在位置 1，它看到 BOS 和第一个字母，要预测第二个字母。以此类推。
对于 “emma” 这个名字，会产生 5 个训练样本：
- 看到 [BOS] → 预测”e”
- 看到 [BOS, e] → 预测”m”
- 看到 [BOS, e, m] → 预测”m”
- 看到 [BOS, e, m, m] → 预测”a”
- 看到 [BOS, e, m, m, a] → 预测BOS（结束）
这个滑动窗口，就是所有语言模型的训练方式，ChatGPT 也一样。
从分数到概率：让模型给出确定答案
每个位置，模型输出 27 个原始分数，对应 27 个可能的下一个 Token。
这些分数可以是任何值：正的、负的、大的、小的。
Logits（原始分数）：模型最初输出的未经处理的数字，就像考试的原始卷面分，还没有转换成等级。
我们需要把它们转成概率：正数，加起来等于 1，Softmax 就干这个事。
你可以这样理解：假设模型给 5 个候选字母打分是 [1.2, 2.8, 0.5, 1.8, -0.3]。
Softmax 做两件事：
- 把每个分数变成正数（通过指数运算）
- 让它们加起来等于 100%
结果就是一个概率分布，比如 “e” 有 60% 的可能，”a” 有 22% 的可能。
Softmax：把任意数字转换成概率分布的函数。就像把考试分数转换成排名百分比。
注意一个大的分数会主导整个分布，因为指数运算会放大差异。
这也是为什么模型能”确信”某个答案。
代码里有个小技巧：先减去最大值再做指数。
数学上结果一样，但能防止计算溢出。
衡量错误：模型猜得有多离谱
预测有多离谱？
我们需要一个数字来表示”模型觉得正确答案有多不可能”。
交叉熵损失（Cross-Entropy Loss）：衡量预测和真实答案之间差距的指标。模型越确信错误答案，惩罚越重。
举个例子：
- 如果模型给正确答案 90% 的概率，损失很小（0.1）
- 如果只给 1% 的概率，损失很大（4.6）
- 如果完全确信正确答案（100%），损失是 0
模型不仅要答对，还要”有信心地答对”。
如果它给正确答案只分配了很小的概率，即使蒙对了，损失也会很大。
训练就是让这个数字不断变小。
反向传播：找到问题出在哪
模型有 4192 个参数（可以理解为 4192 个旋钮）。
要改进，需要知道：每个旋钮往上调一点点，损失会上升还是下降？
反向传播（Backpropagation）：倒着追踪计算过程，找出每个参数对最终错误的贡献。就像出了事故，倒推每个环节的责任。
想象一下多米诺骨牌。
前向计算是推倒第一张牌，一路传导到最后。
反向传播是从最后一张倒推回去，看每张牌对最终结果的影响有多大。
每个数学操作（加、乘、指数、对数）记住自己的输入。
反向传播从损失开始，沿着计算路径往回走，给每个参数算出一个”责任分数”。
梯度（Gradient）：告诉你参数该往哪个方向调整，以及调整的力度。就像指南针，指向”让错误变小”的方向。
举个例子，假设参数 a 在两个地方被用到。
那它的总责任是两条路径的责任之和。
这就是为什么有些参数的梯度特别大，它们在多个地方影响了最终结果。
PyTorch 的 loss.backward() 跑的就是这个算法，只不过操作的是大批量数据而不是单个数字。
从 ID 到意义：给每个字符一个性格
原始 Token ID（比如 4）只是个索引，模型没法直接用整数做数学运算。
所以每个 Token 会对应一个 16 个数字的列表。
可以理解为每个 Token 有个 16 维的”性格档案”，训练时可以调整。
嵌入（Embedding）：把离散的符号（比如字符）转换成连续的数字向量。就像给每个人建立一份多维度的性格档案。
位置也重要，位置 0 的 “a” 和位置 4 的 “a” 作用不同，所以有第二份档案，按位置索引。
两份档案相加，形成输入到网络的向量。
这些数字一开始是随机的小数，训练过程中，模型会自己调整。
训练后，行为相似的 Token（比如元音字母）往往有相似的向量。
模型从零学习这些表示，不需要预先知道什么是元音。
就像小孩学说话，没人告诉他元音和辅音的区别，但他自己能总结出规律。
Token 之间怎么交流：注意力机制
这是 Transformer 的核心。
每个位置需要从之前的位置收集信息。
想象你在读一个句子，读到”她”的时候，你会回头看看前面提到的女性角色是谁，这就是注意力在做的事。
注意力机制（Attention）：让模型决定在处理当前位置时，应该重点关注之前哪些位置的信息。就像你读书时，视线会在不同词语之间跳转。
每个token产生三个东西：
- Query（”我在找什么？”）
- Key（”我包含什么？”）
- Value（”如果被选中，我提供什么信息？”）
你可以这样理解：Query 是搜索关键词，Key 是每个位置的标签，Value 是实际内容。
模型用 Query 去匹配所有之前位置的 Key，找到最相关的，然后把对应的 Value 拿过来。
有个重要限制：每个位置只能看过去，不能看未来。
位置 2 不能关注位置 4，因为位置 4 还没发生。
这让模型成为自回归的，符合我们生成文本的方式。
多头注意力（Multi-Head Attention）：同时运行多个注意力机制，每个关注不同的模式。就像同时用多个视角看同一个问题。
不同的注意力头学习不同模式：
- 一个头可能强烈关注最近的 Token
- 另一个可能聚焦开头的 BOS Token（记住”我们在生成名字”）
- 第三个可能寻找元音
四个头并行工作，最后把结果拼起来。
完整流程：信息怎么在模型里流动
把每个 Token 想象成一个包裹，在流水线上经过多个工序：
- 嵌入：给包裹贴上标签（Token 性格 + 位置信息）
- 归一化：把包裹整理成标准大小
- 注意力：包裹之间互相交换信息
- 加残差：保留原始包裹的一部分
- 归一化：再次整理
- MLP：每个包裹独立加工
- 加残差：再次保留原始信息
- 输出：得到 27 个分数，对应下一个可能的字符
MLP（多层感知机）：一个简单的神经网络，负责对每个位置的信息做独立处理。如果说注意力是”交流”，MLP就是”独立思考”。
残差连接（Residual Connection）：在处理信息时保留原始输入的一部分。就像做菜时保留一些原材料的原味，不要全部加工掉。
残差连接特别关键，想象信息在网络里传递就像打电话，每传一层就会损失一些。
残差连接相当于给信息开了一条高速通道，直接跳过某些层，保证重要信息不会丢失。
没有它，深度网络根本训练不起来。
RMSNorm（均方根归一化）：把每个向量缩放到标准大小。就像把不同大小的照片统一调整成同样尺寸，方便处理。
学习过程：模型怎么变聪明
训练循环重复 1000 次，每次做这些事：
- 随机挑一个名字
- 把它变成数字序列
- 在每个位置运行模型，预测下一个字符
- 计算预测有多离谱（损失）
- 反向传播，找出每个参数的责任
- 调整参数，让下次预测更准
Adam优化器：一个聪明的参数更新策略。它会记住每个参数最近的表现，对稳定的参数走大步，对摇摆不定的参数走小步。
损失从约 3.3 开始（完全随机猜，27 个选项中瞎蒙），慢慢降到 2.37 左右。
生成的名字也从乱码演变成合理的：
- 刚开始：xqbzjfmwplk（完全乱码）
- 训练中期：kamon, karai（有点意思了）
- 训练后期：anna, anton（完全像真名字）
你能看到模型在”开窍”。
它逐渐理解了什么是合理的字母组合，什么样的音节听起来像名字。
生成新名字：让模型自由发挥
训练完成后，生成很直接：
- 从 BOS 开始
- 让模型预测下一个字符
- 得到 27 个概率
- 随机选一个（按概率）
- 把选中的字符喂回去
- 重复，直到模型说”我完成了”（输出 BOS）
温度（Temperature）：控制生成的随机性。低温度让模型更保守（总选最可能的），高温度让模型更大胆（更多尝试不常见的选择）。
你可以这样理解温度：
- 温度 0.5：模型很谨慎，倾向于生成常见的、安全的名字
- 温度 1.0：模型按它学到的真实概率生成
- 温度 2.0：模型很大胆，会尝试不寻常的组合
温度太低，生成的东西很无聊，总是那几个最常见的名字。
温度太高，生成的东西可能是胡话。
对于名字，最佳点在 0.5 左右。
既有创意，又不会太离谱。
其他都是效率问题
这个 200 行脚本包含完整算法。
从这个算法到 ChatGPT 的完整实现，核心思想没变。
变的是什么？规模和效率：
- 训练数据：从 32000 个名字到整个互联网的文本
- 词汇表：从 27 个字符到 10 万个子词
- 参数：从 4192 个到数千亿个
- 层数：从 1 层到几百层
- 硬件：从你的笔记本到数千个 GPU 集群
- 训练时间：从几分钟到几个月
但循环是一样的：
分词 → 嵌入 → 注意力 → 计算 → 预测下一个token → 衡量错误 → 反向传播 → 调整参数 → 重复
就这么简单，也就这么复杂。
你现在知道了，ChatGPT 并不神秘。
它就是一个超大规模的”猜下一个词”游戏，玩了无数次之后，变得出奇地聪明。