汉字藏着什么秘密？AI科学家刚刚才搞懂！
来源：https://www.douban.com/note/876777044/?_i=4850547C7J0Ow0
2025年10月21日，DeepSeek发的一篇叫作《DeepSeek-OCR: Contexts Optical Compression》的论文，在AI界炸锅了。
其实这个文章，普通人也是可以理解的。而且你会发现这是一篇超有意思的文章。
为了给大家掰扯清楚这个事儿，我们先从一个豆瓣热帖说起吧。
去年十月份，有个叫“请输入昵称”的豆友，在“我发现个规律”小组，发了一条帖子《我发现汉字上半部分似乎信息量更大一些》。
他是因为一次偶然的打印事故，发现页面上出现了两行“半个汉字”的句子，他注意到这些“半字”，如果是下半部分被切掉了，就不太影响阅读，但如果是上半部分切掉，阅读就会明显困难起来。
你不信也可以来试试。
这个是他发的“下半体”：
你能看出来一些内容，但是不知道说的是啥，对吧，但你看“上半体”：
聪明的你，是不是基本上认了一个八九不离十？
那问题来了。难道我们老祖宗在几千年前造字的时候，就偷偷把一个字的灵魂全都塞在了上半部分吗？
其实，这个现象揭示了一个大脑工作的原理：人脑根本不是一台“扫描仪”，它是一台顶级的“压缩机”。
咱们以为阅读的时候，眼睛是在扫描每一个笔画。但是这就错了！你的大脑根本就没有仔细看，它只是快速抓住信息密度最高的关键特征（比如汉字的上半部分），然后立刻在你的“知识库”里搜索、匹配、解压出完整的字义。至于下半部分，大脑可能会觉得这部分信息太冗余了，不看也罢！
其实这个“bug”不只是中文独有。你去看英文也是一样的。这个就说明人类的视觉系统，都进化出了类似有损压缩的偷懒神技。
好，那这个跟DeepSeek的新论文有什么关系呢？这个论文其实就是在模拟人脑的这种识别能力。
现在的大模型，用比喻来说的话，它就不是压缩机，是真正的扫描仪。AI大模型处理一篇1000字的文档，它真的会一个字一个字地去读，产生 1000多个Text Token。文档越长，它越累，计算量爆炸式增长。在这个过程中它根本不懂什么叫抓重点，什么叫冗余信息。
DeepSeek这篇论文，就是想说，我们能不能不让AI傻乎乎地“读”字，而是教它像人一样“看”字呢？
还真的可以，他们干了件绝妙的事：把一篇密密麻麻的文字，拍成一张照片！
这张照片被AI压缩成极少数的“视觉Token”（比如100个）。这100个 Token就像我们刚刚看的“半个汉字”——它虽然是有损的、模糊的，但它抓住了整篇文档的关键视觉特征！
结果呢？AI解码器（Decoder）居然真的靠着这100个模糊的视觉Token，完美解压出了原文1000多个字的内容，准确率高达97%，实现了10倍的压缩率！
所以你看，你刚刚在半个汉字上体验到的大脑压缩算法，现在正被AI疯狂偷学。
这篇论文的真正意义，就是证明了“光学压缩”（把文本拍成照片）是解决AI长文本难题的天才之路。写到这里，还真有一种我们老祖宗的造字智慧和最前沿的AI科学接上头的感觉！
在这里要稍微简单说几个概念，为什么把文字变成图就能达成这个效果呢？
因为大模型的本质就是基于token的计算。现在大模型，有一张分词表，模型在计算你问的问题的时候，会查询这个表。并把句子切分成词汇表里“认识”的单词或子词，也就是token。所以，这种技术会导致Token的数量与你要处理的文本长度严格相关，线性增长。
如果你把这些文字弄到图片上，那么视觉模型它不关心你的文字是什么，它处理的是图片token，也就是说一张图切割成固定大小的网格，然后基于这些网格单元（图片token）去计算。那么这个时候，无论你文字多少，只要这个图片大小不变，那么它的token就是一个固定值。
而且相比文字token，图片token还编码了字体、字号、粗细、排版（分栏、行距）、表格线等。因为传统的文字Token是一维的线性序列，它天生就丢失了所有的排版、布局和几何关系。用文字Token描述一个复杂的几何图或化学分子式非常难。但图片Token不仅压缩了文本，还理解了文本的“空间结构”。所以，一些几何图形的识别效果也变好了。
因此DeepSeek论文里这个操作，可以说寻找到了一个更高信息压缩比的方法。这样一来有限的资源，就能更好地支持长上下文了。
更绝的是他们认为这个机制可以用来模拟人类的“记忆遗忘”。具体的方法是在多轮对话中，把比较久远的历史记录“渲染”成一张图来压缩保存。如果历史更久远，就把这张图的分辨率再降低（比如从Large模式降到Tiny模式），从而实现信息的“逐渐模糊”和“遗忘”，用极低的成本保留“几乎无限”的上下文。
总结一下，就是说：作为人类，我们可以从一个只剩上半部分内容的文字视觉信号中，解压出完整的语义。而DeepSeek的论文指出，机器也可以。
最后，容许我们畅想一下：从1D的文字序列，到2D的视觉处理，那会不会将来我们以3D token为单位进行计算呢？
还真有，这个概念叫体素(Voxels)也叫“3D像素”，还有一种东西叫“点云”，数百万个3D坐标点勾勒出物体表面，自动驾驶的激光雷达就在用这种技术，还有一种叫作“神经辐射场”的技术，直接生成3D场景，这都是模型升维的尝试。
如果你对量子力学略有所知的话，我们世界的体积不能细分到普朗克尺度以下，所以你会发现这种基于“体素”的算法，其实正是宇宙自己在做的事。一句话，人类最终的方向，其实就是在用计算机模拟宇宙。说不定，我们正好站在硅基智能睁开3D眼睛的前夜。
最后，推荐一本DeepSeek的技术书《DeepSeek原理与项目实战》。
一定要相信自己！有大模型辅助，每个人都应该开辟一个新的更高的阅读领域。