一人工程 · solus opus

← 全部作品

one-man-projectsimedwdemocontinuatormusic-aiclassical-music

Für Elise 被模型带向完全不同的方向

simedw 让模型接 Beethoven《Für Elise》开头，模型带向了爵士 / 巴洛克 / 不协和音，而不是继续巴洛克风格。用户惊讶——AI 不懂「风格应该一致」，AI 只懂「下一个 note 最可能是什么」。这暴露了一人工程 AI 的根本限制：能接，不能想。

simedw 在 demo 里做了一件事：

按《Für Elise》的开头几个音给模型：

E5 D#5 E5 D#5 E5 B4 D5 C5
A4 C4 E4 A4 B4 ... (Für Elise 第一句)

模型接续。

但模型没有继续 Für Elise 的旋律。模型接向了：

  • 爵士和弦（带 7th, 9th extensions）
  • 巴洛克对位（独立声部）
  • 不协和音（m2, TT 关系）
  • 现代和声（4 个声部，每个不同方向）

用户惊讶：「这不是 Für Elise！」

simedw 解释：「模型不是风格模仿器。模型是下一个 note 预测器。」

「下一个 note」 vs 「风格延续」的区别

模型的训练目标：

给定 512 notes context，预测下一个最可能的 note event。

模型的训练不是：

给定一段巴洛克风格，生成同一风格的 continuation。

这两个目标听起来像，但实际不同：

  • 「下一个 note」= 局部概率分布
  • 「风格延续」= 全局一致性

Für Elise 开头是巴洛克风格，但**「下一个 note」的概率分布**考虑了所有钢琴曲的训练数据：

  • 巴洛克概率：30%
  • 古典概率：40%
  • 爵士概率：15%
  • 流行概率：10%
  • 不协和：5%

每个 note 的预测 = 加权采样。

所以模型可能：

  • 第 1-5 个 note：跟 Für Elise 接近（古典概率高）
  • 第 6-10 个 note：开始偏离（爵士概率拉走）
  • 第 11+ 个 note：完全脱离 Für Elise

这就是用户看到的「模型带向不同方向」。

「接 Für Elise」的具体 demo

simedw 演示的几个版本：

版本 A：纯输入 Für Elise 开头

输入：Für Elise 前 8 小节 输出：模型生成爵士 continuation 感受：「这是 Für Elise 吗？感觉像 Bill Evans 弹的」

版本 B：输入 Für Elise + 用户继续按 E5

输入：Für Elise 前 4 小节 + 用户强行按 E5 节奏 输出：模型跟着 E5，但和声走偏 感受：「节奏对了，但和声不对」

版本 C：输入 Für Elise + 用户同时按 Cm7

输入：Für Elise 前 4 小节 + 用户按 Cm7 和弦 输出：模型开始用 Cm7 走向 感受：「哦，我现在是 jazz pianist 了」

版本 D：纯输入 Für Elise 但 context window 扩展

输入：Für Elise 前 8 小节（context 占满） 输出：模型更可能继续 Für Elise 感受：「这个版本最像」

「能接不能想」的根本限制

模型能：

  • 预测下一个 note event
  • 维持本地动机（motif）
  • 模仿短旋律 pattern
  • 抓 chord progression

模型不能：

  • 「想」延续巴洛克风格
  • 「想」保持 Beethoven 的情绪
  • 「想」做奏鸣曲式
  • 「想」配合用户意图

「想」= 长期规划 + 风格控制 + 音乐理解。

模型只有「下一个 note 概率」。

simedw 的解法

simedw 给模型加 planning（下一步研究）：

用户输入 Für Elise 开头
   ↓
模型先生成 plan：key=Am, style=baroque, mood=intimate
   ↓
模型根据 plan 生成 note events
   ↓
输出更连贯的巴洛克 continuation

plan token 让模型「想」——但实际上还是概率预测，只是预测时多 attend 到 plan token。

这不是真正的「理解」，是显式的上下文控制。

「能接不能想」对一人工程的意义

一人工程的 AI 系统普遍有这个限制：

  • LLM 能「接」下一个 token，不能「想」整段文字
  • Image gen 能「接」下一个 pixel，不能「想」整张构图
  • Music gen 能「接」下一个 note，不能「想」整首曲子

「接」是局部预测。「想」是全局规划。

大公司的解法：

  • 加 planning 模块（OpenAI o1）
  • 加 reasoning chain（Anthropic CoT）
  • 加 verifier + search（AlphaGo）

一人工程的解法（simedw 风格）：

  • 加 bar token（局部 anchor）
  • 加 plan token（显式 planning）
  • 加 parallel picking + DPO（偏好对齐）

每一步都是「加显式控制」，不是「让模型自己想」。

「下一个 note」哲学的本质

simedw 的哲学：

AI 不理解音乐。AI 理解「下一个 note 最可能是什么」。

这个哲学延伸到所有 AI：

  • LLM 不理解文本。LLM 理解「下一个 token 最可能是什么」。
  • Image gen 不理解图像。Image gen 理解「下一个 pixel 最可能是什么」。
  • Music gen 不理解音乐。Music gen 理解「下一个 note 最可能是什么」。

「理解」是 anthropomorphism（拟人化）。simedw 不犯这个错。

用户期望 vs 模型能力的 gap

用户期望：

AI 应该懂 Für Elise 是巴洛克风格，应该继续巴洛克风格。

模型能力：

AI 只能预测下一个 note 概率，可能带向爵士 / 巴洛克 / 不协和。

gap 来自：

  • 用户 anthropomorphize AI
  • 用户高估 AI 的「理解」能力
  • 用户低估 AI 的「统计」能力

simedw 的应对：

  • 教育用户：在 app 里写「模型不是风格模仿器」
  • 给用户控制：plan token + parallel picking 让用户指定方向
  • 接受限制：app 名字就叫「Piano Continuator」不是「Piano Composer」

「Piano Continuator」 vs 「Piano Composer」

simedw app 的名字选择很关键：

  • Continuator：用户给开头，AI 接续。协作工具。
  • Composer：用户给意图，AI 写完整作品。生成工具。

simedw 选 Continuator——因为 1 人做 Composer 不可能，但 1 人做 Continuator 可以。

Pachet 23 年前选 Continuator 是同样的原因。

「能接不能想」的代价与优势

代价：

  • 不能做「完整作品」
  • 不能控制长期风格
  • 不能替代钢琴师

优势：

  • 真实（不假装「理解」）
  • 简单（不堆 planning / reasoning 模块）
  • 便宜（不需要 GPT-4 级模型）

一人工程的哲学：选能做的，不做不能做的。

「接」本身的限制

「下一个 note 预测」也有自己的限制：

  • context window：只能看 512 notes
  • temperature：多样性 vs 一致性的 tradeoff
  • bias：训练数据偏向古典，爵士 / 流行概率低
  • 重复：容易卡循环

每个限制都是 simedw 下一步研究的对象：

  • context 512 → bar token 让模型「理解」节奏
  • temperature → parallel picking 跑多个 temperature
  • bias → DPO 让模型偏向 simedw 的偏好
  • 重复 → repetition penalty + plan token

「Für Elise」demo 的真名

simedw 这个 demo 在 HN show 里被问到：

"Have you tried classic pieces? Like Für Elise?"

simedw 回答：

"Yes, the model takes Für Elise into jazz / baroque / atonal depending on the temperature and context."

这不是「失败」——这是「真实 demo」。

「真实 demo」 vs 「精心 demo」

simedw 的 demo 都是真实 demo：

  • 模型实际接续 Für Elise 的样子（不是筛选过的最佳 case）
  • 用户实际试用的体验（不是 marketing 渲染过的）
  • 失败 case 也公开（不是只 show 成功）

这跟大公司的 marketing demo 完全不同：

  • Apple 发布会：iPhone 18 渲染图（不是真实样张）
  • Tesla 发布会：FSD v13 demo（筛选过的路线）
  • OpenAI 发布会：GPT-5 写诗 demo（精心挑选的 prompt）

simedw 选真实 demo：

  • 用户看到「真实能用的产品」
  • 用户不被 hype 误导
  • simedw 不需要 marketing team 包装

「能接不能想」的一人工程姿态

接受 AI 的限制：

  • AI 不理解音乐 → 不假装理解
  • AI 不能生成完整作品 → 做 continuator
  • AI 不能控制长期风格 → 给用户 plan token
  • AI 容易卡循环 → parallel picking + DPO

这是 simedw 的姿态：

不夸大 AI 能力，不掩盖 AI 限制，给用户真实可用的产品。

「Für Elise demo」的 takeaway

Für Elise demo 告诉用户：

  • 模型能接，但接的方向不保证
  • 用户能控制，通过 plan + parallel picking
  • AI 不能想，但「接」本身有用户价值

simedw 不卖「AI 替你写贝多芬」。simedw 卖「AI 帮你续写，给你 16 个候选，挑最好的」。

这是诚实的产品定位。

一人工程的「不画饼」哲学

simedw 的「不画饼」哲学：

  • 不说「我做 AGI for music」
  • 不说「我做 Bach-level composer」
  • 不说「我做 production-ready music AI」

simedw 的「画饼」（实事求是的饼）：

  • 「我做 Piano Continuator」
  • 「125M transformer」
  • 「iPhone Core ML」
  • 「免费，1 万 DAU」
  • 「用户给开头，AI 接续」
  • 「接的方向不保证，但能 control」

这是「一人工程的诚实 marketing」。

「Für Elise demo」哲学的延伸

任何 AI demo 都应该：

  1. 真实跑一遍（不渲染 / 筛选）
  2. 展示失败 case（不只 show 成功）
  3. 说明限制（不夸大能力）
  4. 给用户控制（plan + parallel + temperature）
  5. 诚实定位（continuator 不是 composer）

simedw 的 Für Elise demo 是这个哲学的体现。

一人工程的 AI 产品哲学

AI 不理解，AI 只预测。用户给意图，AI 给可能。

这是 simedw 的核心哲学。

也是一人工程 AI 产品的核心哲学。

solus opus.