Let's Make AGI Real

词元碎影书成海，语义潮生象更新。
一海能藏千万义，半潮便洗百年尘。

话说第二十五回中，版权墙前幽藏叹息，算法镜里公义寻踪。机器读书之前，要问许可、问偏见、问责任。可一旦进入机器腹中，书又会发生奇异变化。它不再只是一册、一篇、一章、一页，而会被拆成词元、片段、实体、断言、来源和关系。古人把竹简编成册，今人却把册再拆成可漂流的细粒。

先说 token。它可粗略理解为模型处理文本时的最小单位之一，可能是一个字、一个词、一个词的一部分，也可能是标点或空格组合。人读“图书馆”三个字，心里起的是一个场景；模型读时，却可能把它拆成若干 token。token 不是意义本身，只是机器计数和运算的颗粒。大模型所谓上下文长度，常按 token 计算，能装多少，不等于真懂多少。

token 也让成本和权力变得可计量。一次长问答消耗多少 token，决定费用；系统能接纳多少 token，决定它能不能读完整卷；某些语言被切得更碎，便可能花更多成本。读者看见的是“请输入问题”，后台却有一只算盘。未来图书馆若要保障多语种公平，连这种细小颗粒也不能完全交给商业模型决定。

再说 chunk。一本书太长，不能整本塞进模型，便要切成片段。一个 chunk 可能是一段、一页、一节，也可能按标题、语义或固定字数切分。切得太碎，来源和上下文会断；切得太长，检索不准，成本又高。数据馆员切书，像厨师切菜，刀法不显眼，却决定后来入口滋味。

有些馆采用重叠切分，让前后片段各带一点邻近文字；有些馆按章节、页码、标题层级切分，宁可慢些，也要保留结构；有些材料不能随便切，诗歌、法律条文、公式、表格、戏剧对白，各有脾气。切分规则若写得粗，模型便会把注释当正文，把脚注当结论，把表头丢在别处。技术听来琐碎，实则关乎理解。

embedding 则是把 token、句子、段落、图像或音频转成向量，让机器能计算远近。它不保存原文，却保存某种相似关系。两段话词面不同，若讨论同一问题，向量可能靠近；同一个词在不同语境中，也可能被拉向不同邻居。语义潮由此起伏，读者的问题像一枚小舟，被投向相近的知识浪面。

entity 是实体，指人、地、机构、作品、概念、事件等可被识别和连接的对象。Callimachus、亚历山大图书馆、MARC、HathiTrust、RAG，都可成为实体。claim 是断言，像“某人创办某校”“某书出版于某年”“某技术用于某场景”。entity 像人物和器物，claim 像它们之间说得出口的关系。

provenance 是来源和来历。一个 claim 从哪本文献来，哪一页支持，何时抓取，经过谁标注，是否被修订，都属 provenance。若没有 provenance，知识粒子会像离群萤火，亮是亮，却不知从哪片林中飞来。图书馆在词元海中最该守的，正是来踪。

knowledge graph 把实体和关系编成网。它不满足于“这段话相似”，还要知道谁影响谁，哪本书引用哪篇论文，哪个机构收藏哪批档案，哪个概念属于哪个学科。图谱像旧目录的远亲，只是从一列列卡片变成会连线的星图。simulation 则更进一步，试图在材料和模型基础上模拟一个场景、一段争论或一个历史过程。它可帮助教学和研究，也最容易越过事实边界。

知识粒子若要长期流通，还需要打包。一个片段不只带正文，还带页码、标题层级、版权状态、生成时间、校对状态、语言、主题、相关实体和可引用地址。未来馆员称之为“小包裹”，每个包裹都贴着来处。读者不必看见所有标签，但系统必须看见。否则片段一旦离开原书，便像没有户籍的旅人，走到哪里都难以负责。

模拟若守规矩，可以让沉默材料暂时开口。课堂上，学生可让系统重建一次亚历山大图书馆的编目会议，或让杜威、巴特勒、谢拉围绕“图书馆是社会机构还是技术系统”争辩。可界面必须清清楚楚标明：哪些话有文献依据，哪些是合理推演，哪些只是戏剧化组织。若把模拟当史料，便是把灯影当真人。

有位语义潜水员进入未来馆藏。她不再先看书架，而看一片闪光的海。一本书分解成成千上万个 chunk，每个 chunk 又带 token、embedding、entity、claim 和 provenance。她搜索“公共图书馆与社会流动”，海面浮起卡内基馆舍、文华图专、芝加哥学派、社区服务、移民教育、数字鸿沟。它们来自不同世纪，却被同一问题牵到一处。

她伸手点开一枚 claim：“公共图书馆扩大了移民英语学习机会。”海面随即展开三层：一层是政策报告，一层是馆史材料，一层是个人口述。系统没有替她把三层揉成一句结论，而是让她看见材料的分歧：报告写得庄重，馆史自有功绩，口述里却有迟疑和羞怯。知识粒子若排列得当，不会消灭复杂，反能把复杂照亮。

个人知识镜像也在旁边生成。系统知道她是社会史研究者，便给她更厚的历史材料；知道另一位读者是高中生，便给出更浅的解释；知道第三位读者只想办事，便列出步骤。个性化像量体裁衣，合身时省力，过度时便成茧。若每个人只见为自己裁好的知识，公共讨论会失去同一张桌子。

风险随之而来。断章取义最常见，一个 chunk 离开上下文后，可能把作者的反语当正论，把批判对象当作者立场。来源丢失更危险，模型把多个片段揉成一段圆熟文字，读者却找不到哪句从哪来。过度个性化会让知识悄悄迎合读者。模型重写会让文本变得顺滑，却遮住原文的迟疑、锋芒、方言和时代气味。

有一段诗拒绝被压缩。系统想把它总结成“表达离别之情”，它却在古字、声调、停顿和空白里保留更多。语义潜水员把摘要删去，保留原诗，又在旁边加上注释、译文和诵读音频。她明白，不是所有知识都该化成 claim；有些文字的价值，正在不可完全拆解之处。

图像、声音和动作也会进入词元海。敦煌壁画可被拆成色块、人物、榜题和构图；一段口述史可被拆成语音、停顿、情绪和文字；一件器物可被拆成三维网格、材质、纹样和出土位置。多模态让图书馆更丰厚，也让来源更难守。一个图像片段若离开全图，一个声音片段若离开叙述者处境，误解会比文字来得更快。

于是，未来图书馆给每次重组都留回路。个性化讲解可以短，可以浅，可以换比喻，却不能剪断出处；模拟课堂可以生动，可以设问，可以让古人与今人隔空争辩，却必须让读者一键回到原文、原图、原声。再灵巧的生成，若不能回家，便只是漂泊的辞藻。

未来图书馆若只追求可计算，便会把世界磨成过分光滑的珠子；若拒绝计算，又会失去在海量知识中航行的桨。好的做法，是让粒子带着来源，让重组保留回路，让模型承认边界，让读者随时能从生成文本回到原书、原图、原声、原物。词元海再阔，也要有归岸之路。

第二十六回写到这里，书已从册页化作知识粒子，又在语义潮中重新汇聚。下一回，载体还要越出纸、电与磁，走向分子和量子。泥板是土的记忆，甲骨是骨的记忆，纸是植物的记忆，DNA 与量子态则把未来馆藏推到生命和物理世界的深处。

正是：词元海里书成影，语义潮头象复生。欲知基因简中血脉如何藏书、量子目里诸径怎样分光，且看第二十七回“基因简中血脉藏书，量子目里诸径分光”。

碎影虽多终是片，重生虽美亦须真。
且从语义潮头立，再看基因简里春。