譯者 | 李睿

審校 | 重樓

如今，GPT-3、GPT-4或谷歌的BERT等大型語言模型（LLM）已經成為人工智能理解和處理人類語言的重要組成部分。但在這些模型展現出令人印象深刻的能力背后，卻隱藏著一個很容易被忽視的過程：標記化。本文將解釋標記化的定義，標記化如此重要的原因，以及在實際應用中是否能夠規避這一步驟。

想象一下，你正在閱讀一本書，但書中的文本不是由單詞和句子組成，而是由一長串沒有空格或標點符號的字母組成，這將很難理解。對于計算機來說，處理原始文本也是如此。為了使語言對機器來說可以理解，文本需要被拆分成更小、更易于消化的部分——這些部分被稱為標記（tokens）。

什么是標記化？

標記化是將文本分割成更小的塊的過程，這些塊使模型更容易理解。這些塊可以是：

• 單詞：最自然的語言單位（例如，”I”、”am”、”happy”）。
• 子詞：當模型不知道整個單詞時，更小的單位可以提供幫助（例如，”running”中的”run”、”ning”）。
• 字符：在某些情況下，是單個字母或符號（例如，“a”、”b”、”c”）。

為什么需要標記？

以一個例句為例：”The quick brown fox jumps over the lazy dog.”（敏捷的棕色狐貍跳過懶惰的狗。）

計算機把這個句子看作是一長串字母：Thequickbrownfoxjumpsoverthelazydog.

除非把它拆分成更小的部分或標記，否則計算機無法理解。以下是這個句子的標記化版本：

1.單詞級標記化：

• ["The", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"]

2.子詞級標記化：

• ["The", "qu", "ick", "bro", "wn", "fox", "jump", "s", "over", "the", "lazy", "dog"]

3.字符級標記化：

• ["T", "h", "e", "q", "u", "i", "c", "k", "b", "r", "o", "w", "n", "f", "o", "x", "j", "u", "m", "p", "s", "o", "v", "e", "r", "t", "h", "e", "l", "a", "z", "y", "d", "o", "g"]

然后，大型語言模型（LLM）從這些標記中學習，理解模式和關系。如果沒有標記，LLM可能不知道一個單詞從哪里開始，另一個單詞在哪里結束，或者單詞的哪一部分很重要。

標記化如何在LLM中工作

大型語言模型并不能像人類那樣”理解”語言。與其相反，LLM分析文本數據中的模式。對此，標記化是至關重要的，因為它有助于將文本拆分為易于模型處理的形式。

大多數LLM使用特定的標記化方法：

1.字節對編碼（BPE）

這種方法將字符或子詞組合成常用的詞組。例如，”running”可以分為”run”和”ning”。BPE對于捕獲子詞級的模式很有用。

2.WordPiece

BERT和其他LLM使用這種標記化方法。它的工作原理與BPE類似，但基于它們在語景中的頻率和含義來構建標記。

3.SentencePiece

這是一種更通用的標記化方法，可以處理沒有明確單詞邊界的語言，例如中文或日語。

標記化在LLM中的重要性

文本拆分的方式會顯著影響LLM的性能。以下深入探討標記化至關重要的幾個關鍵原因：

1.高效處理

LLM需要處理大量的文本。標記化將文本減少為可管理的部分，使LLM更容易處理大型數據集，而不會耗盡內存或變得不堪重負。

2.處理未知單詞

有時，LLM會遇到以前從未見過的單詞。如果模型只理解整個單詞，遇到一些不尋常的單詞，例如“supercalifragilisticexpialidocious”，它可能不知道如何處理。子詞標記化有助于將單詞拆分成更小的部分（例如”super”、”cali”和”frag”），使LLM仍然能夠理解。

3.多語言和復雜文本

不同的語言以獨特的方式構造單詞。標記化有助于拆分不同字母的語言中的單詞，例如阿拉伯語或中文，甚至可以處理社交媒體上的標簽等復雜的事情（#ThrowbackThursday）。

標記化如何提供幫助的示例

以下看看標記化如何幫助模型處理包含復雜單詞的句子。

假設有這樣一個語言模型：“Artificial intelligence is transforming industries at an unprecedented rate. ”（人工智能正在以前所未有的速度改變各行業。）

如果沒有采用標記化，LLM可能難以理解整個句子。然而，當采用標記化時，它看起來像這樣：

標記化版本（子詞）：

• [“Artificial”, “intelligence”, “is”, “transform”, “ing”, “industr”, “ies”, “at”, “an”, “unprecedented”, “rate”]

現在，盡管“transforming”和“industries”可能是棘手的單詞，但該模型將它們拆分為更簡單的部分（“transform”、“ing”、“industrir”、“ies”）。這使得LLM更容易從中學習。

標記化的挑戰

雖然標記化至關重要，但它并不完美，并且面臨一些挑戰：

1.沒有空格的語言

有些語言（例如漢語或泰語）單詞之間沒有空格。這使得標記化變得困難，因為模型必須決定一個單詞在哪里結束，另一個單詞從哪里開始。

2.模棱兩可的單詞

當一個單詞有多重含義時，標記化可能會遇到困難。例如，“lead”這個單詞可以表示“鉛”或“領導”。標記化過程不能總是僅根據標記確定正確的含義。

3.罕見單詞

LLM經常會遇到罕見單詞或新創單詞，尤其是在互聯網上。如果一個單詞不在模型的詞匯表中，那么標記化過程可能會將其拆分為笨拙或無用的標記。

能否避免標記化？

考慮到它的重要性，下一個問題是：是否可以避免標記化？

從理論上來說，通過直接在字符級別工作（即將每個字符視為標記），可以構建不依賴于標記化的模型。但這種方法也有以下一些缺點：

1.更高的計算成本

處理字符需要更多的計算量。LLM不再只需處理句子的幾個標記，而是要處理數百個字符，這顯著增加了模型的內存占用和處理時間。

2.意義缺失

字符本身并不總是具有實際意義，例如，“apple”中的字母“a”和“cat”中的字母“a”是相同的，但是這兩個單詞的含義卻截然不同。如果沒有標記來引導模型，LLM則難以把握語境。

盡管如此，仍有一些實驗性模型正嘗試擺脫標記化。但就目前而言，標記化仍然是LLM處理語言的最高效和最有效的方法。

結論

標記化似乎是一項簡單的任務，但它是LLM理解和處理人類語言的基礎。如果沒有它，LLM將很難理解文本、處理不同的語言或處理罕見單詞。雖然一些研究正在尋找標記化的替代方案，但就目前而言，它是LLM工作的重要組成部分。

而人們在使用LLM時，無論是回答問題、翻譯文本還是寫詩，都要記住的是：這一切都是通過標記化實現的，它將單詞拆分成多個部分，這樣人工智能就能更好地理解和回應。

關鍵要點

• 標記化是將文本拆解成更小、更易管理的單元（稱為標記）的過程。
• 標記可以是單詞、子詞或單個字符。
• 標記化對于LLM高效地處理文本、處理未知單詞以及跨語言工作至關重要。
• 雖然存在替代方案，但標記化仍然是現代LLM的重要組成部分。

原文標題：The Role of Tokenization in LLMs: Does It Matter?，作者：Sundeep Goud Katta