（来源：上观新闻）
让我们用一个简🇾🇪化示例说明，假🍳设训练语料包含以↙🇲🇩下词汇💟🚝及出现频率： 🍝“hug🇬🇵”：10次 “🐳🥦pug🔄”：5次 “🖥🏕pun”：1🧸🏊2次 “bun”👓🎅：4次 “👻🌅hug🔻s”：5次 第🚻🃏一步：将所⚾♉有词拆分为🇪🇺字符，添加结📏😪束符 👩❤️👩🌉“hug🏰🇬🇸” → 🚜➖“h u g ☑” “🍮pug”💹🇧🇦 → 〰“p 🅿u g ” 🐳“pun” 🔜🏌→ “p u🌏 n ” “b🇬🇳un”♎🤸♂️ → “b🏫🏟 u n 🐲” “hugs”🧯 → 🏎🥟“h u g➕🏘 s ” 初🚧🍖始词汇表🇧🇪仅包含💭🚣♀️基础字符🌖🌓：{b, g, 🐘h, n,🥘🌫 p, s,📹 u,🇲🇺 } 第二步：统🌷计相邻字符对🇺🇲的出现频率 🤪“u g🕊”：15次（✒🦏来自“hug”的🎪10次 +🇿🇦 “hug🌅👳s”的5次） “😗u n”🦏🈶：16次（来🇵🇲自“pu🇯🇴⏱n”的12🐕🇬🇾次 + “bu🌟n”的🐭4次） “p✅ u”🎯🚝：17👱⏭次（来自“pug👮🙇”的5次 + “👆pun”🏪🐷的12次） 第三🐮步：合并最高🔉频字符对 假设🚱🐈“p 🔍🧘♂️u”频率最高（1🍺🏣7次），创建新符🥚🦄号“pu”， ⛳🗃词汇表扩展为：🖨↘{b, g🌮🙆, h, 🐎n, p◼, s,📃 u, ,🍠 pu}🍈🇱🇺 第四步🇫🇮：迭代重复🇬🇦 继续统🦅计新语料中⛵的字符对频率👎🇧🇻，合并下↔一个最🚖高频对，🙁🐗直到达🍼到预设的词汇表大🇱🇾小（如GPT-2🍰为50🇲🇾,257个to🐘🇲🇭ken）👴🇸🇰。
三个法律数🤧据和科技🏏👩🎨巨头在一个交易日👧🚩内蒸发了约2🇱🇷850🇨🇿亿美元市😚值🎓🛶。AI穿梭在不🎡同的庭审，应当事🤦♀️👨👩👧👦人或律🇲🇴🔺师要求，智📢🖥能答复的内容包🦊🎩罗万象，一些答复🥘🏫被诉讼参与人称之📆🚿为“证据”提📁🚛交给法🇸🇩庭🚒🅾。对以售卖相⛎🚚关教程、提示词🇳🇪牟利的行🌉为，也有必要👩🚒🦊明确其性质6️⃣，使其无法🇸🇲🤼♀️再以“经验分享🍊”等名义游走于监👩⚖️管盲区🎒。他们押注🙎🧖♀️的核心命题是🏖🇳🇿：AI 行🦑业的真正瓶颈🌤不是智能本🇸🇸身，而是从「⏯聊天机器人☂🥫回答一🇬🇭个问题🐹」到「智能🍩*️⃣体在你睡觉时替你🛀干活」之间的🇰🇼☎那道鸿沟🚫👚。
