How to compress text to 1 bit per character | Compression is Intelligence Part 3
三句話摘要
演算法如何透過語言模型與算術編碼實現極高效的文本壓縮,突破傳統方法的限制。 壓縮演算法將Shannon理論從抽象數學轉化為可實現的程式,並揭示了壓縮、預測與智慧三者的數學等價性——真正的智慧體現在用最少通則理解最多現象的能力。 Shannon資訊論奠基:1940年代Claude Shannon證明最優壓縮的位元數應為訊息概率的負log₂值。傳統方法(如Huffman編碼)無法充分利用上下文資訊,因此無法接近這個理論極限。
重點整理
Shannon資訊論奠基:1940年代Claude Shannon證明最優壓縮的位元數應為訊息概率的負log₂值。傳統方法(如Huffman編碼)無法充分利用上下文資訊,因此無法接近這個理論極限。
核心演算法原理:每個字符根據前置文本的條件概率佔據單位區間[0,1]的一個子區間;整個文本對應一個極小的區間,用極限精度的二進位實數表示該區間內的任意一點;接收端用相同的語言模型逐步縮小區間範圍,逐字復原文本。
實踐化實現:1976年Rissanen和Pascoe獨立發展了算術編碼(Arithmetic Coding),解決了超高精度運算的問題,使該方法成為可行。所有Hutter Prize得獎者都採用此架構,核心創新在於改進預測模型。
壓縮與智慧的三角關係:(1)壓縮與預測等價,而預測反映對事物本質的理解;(2)較小模型若有等效預測能力,包含模型大小的總壓縮率更低,暗示理解應是少數通則而非多數記憶;(3)模型動態微調時,學習速率越快、適應新文本越快,最終壓縮率越佳。
實用技巧與重點
- 具體演算法要素:
- 單位區間對應點的精度差:2^-k 位元可區分2^k個點
- 若目標區間寬度為p,所需位元數≥ -log₂(p)(Shannon資訊量)
- 編碼層數不限,原則上任意長文本對應[0,1]中唯一實數
- 實驗數據:
- NanoGPT(370萬參數)編碼「proof and its associated mathematical rigor began in ancient Greek mathematics, exemplified in Euclid's Elements」:254位元,平均2位元/字元
- Qwen(5億參數)同一句:平均<1位元/字元
- 美國憲法序言首句後35位元,剩餘段落僅需10位元,較Huffman編碼改善100倍
- 相關工具與概念:
- Hutter Prize:維基百科1GB壓縮競賽,計分含編碼大小與解碼程式大小
- Asymmetric Numeral System(ANS):2013年Yarik Duda發表,以大整數代替實數,運算更快
- 交叉熵(Cross-Entropy):模型預訓練的損失函數,本質等同逐字元壓縮成本之和
結論
壓縮演算法將Shannon理論從抽象數學轉化為可實現的程式,並揭示了壓縮、預測與智慧三者的數學等價性——真正的智慧體現在用最少通則理解最多現象的能力。
完整解析
傳統壓縮方法如Huffman編碼採用固定映射(每個字元對應固定位元串),無法利用上下文的預測力。Claude Shannon在1940年代證明了最優壓縮的理論極限:訊息概率p的負log₂值即為所需最少位元數。然而直觀上,將一整段可預測段落(例如美國憲法開頭)壓成一至十個位元似乎荒謬至極。
講者展示的突破在於一套優雅的映射方法:將單位區間[0,1]分割成子區間,每個子區間的寬度對應該字元出現的概率。第一層分割代表起始字元分佈,第二層在起始字元M下再分割得到第二字元的條件概率,層層遞進。整個待壓縮文本最終對應該區間序列收斂到的一個極小子區間,區間內任意一點用二進位表示即可。關鍵發現是:所需的二進位精度恰好等於Shannon定義的資訊量(上取整後)。
演算法的解碼方向同樣優雅:接收方用相同語言模型從空輸入開始,逐步根據接收的實數位置判斷該位置落在哪個字元的區間,進而確定該字元,再以該字元為新輸入重複此過程。由於預測分佈完全由輸入歷史決定,只要雙方模型相同,解碼必然復原原文。
實踐層面,直接操作無限精度實數不可行,1976年算術編碼的核心創新是在每步後重新正規化當前區間至[0,1],使精度需求恆定。所有Hutter Prize得獎者皆基於此架構,改進來自更優的語言模型。講者並對比了小型模型(NanoGPT 3.7M參數)與大型模型(Qwen 5億參數)的壓縮效果:在數學歷史內容上,大模型因高度預測性將「Euclid's Elements」從18位元壓至5位元。


