大模型中伪随机数 vs 真随机数

计算机无法生成真正的随机数，只能通过伪随机数生成器（PRNG） 生成具有统计随机性的序列。这句话精准点出了计算机随机数生成的核心特性 ——“伪随机性” 是计算机生成随机数的本质，真正的 “物理随机性” 需要依赖外部硬件或环境信号。下面从 “伪随机数” 与 “真随机数” 的区别、伪随机数生成的关键逻辑，以及实际应用中的取舍三方面，进一步展开解析，帮助你更深入理解这一核心概念：

一、为什么计算机 “天生无法生成真随机数”？

计算机的本质是确定性执行的电子设备—— 所有运算都基于预设的指令和逻辑（如 CPU 的指令集、软件的算法），输入固定时，输出必然固定（“确定性”）。而 “真随机数” 需要满足两个核心条件：

1. 不可预测性：无法通过历史序列推断下一个数；
2. 不可重复性：无论如何复现初始条件，都无法生成完全相同的序列。

显然，纯软件层面的计算无法满足这两个条件 —— 因为软件的所有逻辑都是 “可复现” 的（只要固定 “种子”，就能生成完全相同的序列），因此只能生成 “看起来随机” 的伪随机数。

二、伪随机数生成器（PRNG）：如何 “模拟随机性”？

PRNG 的核心是通过 **“确定性算法 + 初始种子”** 生成具有统计随机性的序列，其工作逻辑可拆解为 3 步：

1. 确定初始种子（Seed）种子是 PRNG 的 “起点”，通常是一个整数。如果种子固定，PRNG 生成的序列就完全固定（可复现）。

   • 例：NumPy 中np.random.seed(42)固定种子后，每次调用np.random.randn()生成的序列都完全相同；
   • 实际应用中，种子常取自 “动态信息”（如当前时间戳、CPU 温度、用户输入间隔），让种子难以预测，从而提升伪随机性。