Continuator 2003 → simedw 2026：23 年的同一条线
François Pachet 2003 在 Sony CSL Paris 做了 Continuator——钢琴师按几个音，模型继续按下去，即时学习音乐风格。simedw 2026 在 V7 contractor 用 125M MIDI transformer 做同一件事。23 年，技术换了一茬，核心问题没变。
François Pachet 2003 年在 Sony CSL Paris 做了一个软件：
Continuator。
用法：
- 钢琴师按几个音
- Continuator 学习这段短旋律的风格
- Continuator 继续按下去
- 钢琴师可以中途打断、改方向
- Continuator 跟着新方向继续
这是 23 年前的事。算法是 Markov chain + pattern matching。
simedw 2026 在 V7 contractor 用 4 × RTX 4090 + 125M MIDI transformer 做了：
Piano Continuator。
用法：
- 钢琴师按几个音
- 模型学习上下文风格
- 模型继续按下去
- 钢琴师可以中途打断、改方向
- 模型跟着新方向继续
这是 23 年后的事。算法是 transformer + Core ML。
同一个问题，不同的工具
核心问题没变：
怎么让 AI 在钢琴上和真人实时即兴对话？
2003 年 Pachet 的解法：
- Markov chain 学短旋律的 transition 概率
- Pattern matching 抓 motif 复用
- 即时适应（continuator 跟着用户实时调整）
2026 年 simedw 的解法：
- Transformer 学长程依赖
- Compound note events 表征改 5× speedup
- RoPE 编码位置
- Core ML 部署到 iPhone
- DPO（preference learning）让 continuation 更顺
技术换了一茬。核心问题没变：
AI 不能取代钢琴师，但能让钢琴师「不孤独」。
Pachet vs simedw 的哲学对照
| Pachet 2003 | simedw 2026 | |
|---|---|---|
| 设备 | MIDI 键盘 + Mac | iPhone + Core ML |
| 算法 | Markov chain | Transformer 125M |
| 训练数据 | MIDI 钢琴曲库 | MAESTRO + 自收集 |
| 部署 | 软件下载 | App Store |
| 商业模式 | Sony CSL 研究项目 | V7 contractor（业余项目） |
| 用户量 | 几百研究者 | 1 万 DAU |
| 实时性 | ✅ | ✅ |
| 风格学习 | ✅（短旋律） | ✅（长程 context） |
| 中途改方向 | ✅ | ✅ |
「同一条线」的具体含义
23 年里 AI 音乐生成换了几代：
- 1990s：rule-based + 概率模型
- 2000s：Markov chain + HMM
- 2010s：RNN + LSTM
- 2020s：Transformer + diffusion
每代都比上一代强。但Continuator 的核心交互模式从来没变：
- 真人弹几个音
- AI 接续
- 真人改方向
- AI 跟着
Pachet 用 Markov chain 实现这个交互。simedw 用 transformer 实现同一个交互。
23 年的技术积累
- 计算：2003 桌面 PC → 2026 iPhone
- 算法：Markov → Transformer
- 数据：几百 MIDI 曲 → MAESTRO + 自收集 125M
- 部署：软件包 → App Store
- 用户：研究者 → 普通 iPhone 用户
但实时音乐接续这个 use case 没变。
这印证一个观察：
用户需要 AI 解决的问题，不会因为技术升级而消失。技术升级让解决方案更好，但 use case 恒定。
「23 年」对一人工程的意义
23 年里：
- 2003 年 Continuator = Sony CSL 团队 5 个研究员
- 2026 年 Piano Continuator = simedw 1 个 contractor
Sony CSL 2003 年花了多少：
- 5 个全职研究员 × 2 年 = 10 人年
- Sony 资金支持
- 内部设备 + 数据
simedw 2026 年花了多少：
- 1 个 contractor × 半年
- V7 contractor 工资（业余项目）
- 4 × RTX 4090 自购 / 借
- MAESTRO 公开数据集
为什么 1 个人能做 5 个人的事？
- 算法简化：transformer 比 Markov chain 容易实现（PyTorch + HuggingFace 一行代码）
- 数据现成：MAESTRO 是公开数据集，不用自己收集
- 硬件便宜：4090 是消费级 GPU，2003 年算力需要实验室设备
- 部署免费：App Store 不需要自己建分发渠道
- 知识公开：transformer 论文 + 代码都公开
「技术民主化」是 23 年里最大的一人工程赋能。
simedw 的 Continuator 血脉
simedw 是不是知道自己站在 Pachet 的肩膀上？
HN 评论里 simedw 自己说：「François Pachet is one of my heroes」。
所以他知道。他不只是「重新实现 Continuator」——他是用 23 年后的技术重新实现 Continuator 的核心交互。
但 Pachet 当年的限制：
- Markov chain 学不到长程结构
- 不能并行生成多个候选
- 没有 preference learning
- 部署需要桌面电脑
simedw 解决了这些：
- Transformer 学 512 notes 的长程结构
- parallel continuation picking 并行生成 16 个挑最好的
- DPO 让续写更顺用户偏好
- 部署到 iPhone
Pachet 当年的局限 vs simedw 的解决
- 长程结构：Markov chain 学 5-10 个音 → Transformer 学 512 notes
- 多候选：Continuator 只能生成 1 个续写 → simedw 并行 16 个，挑最好
- 偏好学习：没有 → DPO 用 700 例偏好数据微调
- 部署平台：桌面 → iPhone（Core ML 量化）
- 数据：几百 MIDI → MAESTRO 200 小时 + 自收集 100 小时
- 硬件：实验室 GPU → iPhone Neural Engine
每个维度都是 23 年的技术红利。
「传承」 vs 「重新发明」
simedw 没发明「AI 钢琴即兴」这个概念。Pachet 23 年前就做了。
simedw 发明的是：
- 表征（compound note events → 5× speedup）
- 部署（iPhone Core ML）
- 偏好学习（DPO for music）
- 并行候选（parallel continuation picking）
每一个发明都是站在 Pachet 肩膀上的延伸。
一人工程的「传承」哲学
一人工程的传承 vs 大公司传承：
- 大公司：Continuator → Sony 内部 fork → 别人接触不到
- 一人工程：Pachet 公开 Continuator 代码 → simedw 读论文 + 自己实现
simedw 没 fork Pachet 的代码。simedw 重新实现——因为他要：
- 不同的硬件平台（iPhone vs Mac）
- 不同的算法（transformer vs Markov）
- 不同的用户（1 万 DAU vs 研究者）
传承是思想 + 哲学，不是代码 + 架构。
「23 年没解决的问题」
Continuator 2003 没解决的问题：
- 长程 coherence（Markov 学不到）
- 风格控制（continuator 跟着学，没法预设）
- 多乐器（钢琴 only）
simedw 解决了前两个。第三个还没做。
「多乐器」是未来 23 年要解决的——但 simedw 可能不做，留给下一代。
「Continuator 2049」预测
23 年后（2049），AI 钢琴即兴会怎样？
- 算法：可能不是 transformer，是某种新架构
- 硬件：可能不是 iPhone，是 AR 眼镜 + 神经接口
- 交互：可能不是 MIDI 键盘，是手势 + 思维
- 用户：可能不是钢琴师，是「任何人」（AI 帮你生成你不会弹的音乐）
但核心问题不变：
怎么让 AI 在钢琴上和真人实时即兴对话？
不管技术怎么变，这个问题 23 年没变。
Pachet 2003 vs simedw 2026 的对照表
| 维度 | Pachet 2003 | simedw 2026 |
|---|---|---|
| 核心问题 | AI 和钢琴师实时即兴 | 同 |
| 设备 | MIDI 键盘 + Mac | iPhone + Core ML |
| 算法 | Markov chain | Transformer 125M |
| 数据 | 自收集几百 MIDI | MAESTRO + 自收集 |
| 训练时间 | 几周 | 半天预训练 + 12 分钟 DPO |
| 部署平台 | 软件下载 | App Store |
| 商业模式 | Sony CSL 研究 | V7 contractor 业余 |
| 团队规模 | 5 人 | 1 人 |
| 资金来源 | Sony | V7 工资 |
| 用户 | 研究者 | 普通用户 |
| 长程 coherence | ❌ | ✅（512 notes） |
| 多候选 | ❌ | ✅（并行 16） |
| 偏好学习 | ❌ | ✅（DPO 700 例） |
| 部署硬件 | 桌面 PC | iPhone Neural Engine |
| 价格 | 研究许可 | 免费 |
23 年技术红利清单
- 算法：Markov → Transformer
- 硬件：实验室 GPU → 4090 + iPhone Neural Engine
- 数据：几百曲 → MAESTRO + 公开数据集
- 框架：手写实现 → PyTorch + HuggingFace
- 训练：几周 → 几小时
- 部署：软件包 → App Store 一键发布
- 知识：论文 → 公开论文 + 代码
- 社区：研究者 → HN show + Twitter + GitHub
每个维度都是 simedw 一个人能做 Pachet 5 个人的原因。
一人工程的「站在巨人肩膀上」
simedw 的 5× speedup 表征改变、parallel continuation picking、DPO、iPhone Core ML —— 每一个都是站在巨人肩膀上：
- 5× speedup：受 representation learning 文献启发
- Parallel continuation picking：受 speculative decoding 启发
- DPO：来自 RLHF literature
- iPhone Core ML：Apple ML 团队工程
没有这些巨人，simedw 也做不出来。一人工程不是「单干」，是**「站在巨人的公开肩膀上单干」**。
Pachet 23 年前没这个条件——巨人还没长出来。
「23 年同一条线」的哲学
用户需要 AI 解决的问题不变，技术变，工具变，团队规模缩到 1 人。
这是 23 年里 AI 工程最重要的变化。
不是「AI 变强」（虽然 AI 是变强了）。
是「AI 变强 + 工具民主化 = 1 个人能做 5 个人的事」。
simedw 是这个变化的一个缩影。
Pachet 看 simedw 的反应
我猜 Pachet 看到 simedw 的 Piano Continuator 会说：
"I'm glad this idea survived. And I'm glad a single person can now build it on an iPhone."
simedw 看 Pachet 的反应
simedw 自己说的：
"François Pachet is one of my heroes."
23 年的传承 + 23 年的工具红利 + 1 个人的工程 + 1 个 iPhone app。
这就是 simedw 的 Piano Continuator。
solus opus.