OpenAI 的实体消歧方案：不背实体，而是用约 100 个「类型」拼出词义

结论先行

同一个词可能指向多个对象（比如「苹果」是水果还是公司？「Jordan」是人名还是国家？）。OpenAI 的做法很巧：不让模型死记每个实体，而是让它判断这个词属于哪些「类型」，再用类型组合定位词义。

它是怎么工作的

• 系统自动发现约 100 个「类型」——注意是「自动发现」，不是人工预设的分类。
• 这些类型是非互斥的：一个词可以同时属于多个类型（如「巴黎」既是「城市」又是「地名」还可能是「人名」）。
• 对给定的词，神经网络逐一判断它是否属于每个类型;由这些「是/否」的组合，推断它具体指代哪个对象。

为什么这个思路更好

• 更泛化:类型是比实体更抽象的中间表示。学会了「城市」「公司」「人名」这些类型，就能迁移到从未见过的具体实体上——而逐实体记忆学不会新词。
• 更省、更稳:实体数以百万计且不断新增；类型只有约 100 个且相对稳定。用少量稳定的类型去组合，比维护海量实体表更轻、更鲁棒。
• 贴近真实语义:非互斥设计承认了语言的模糊性——现实中一个词本就可能同时属于多个范畴。

对工程的启发

对做检索、知识图谱、RAG 的团队，「先判类型、再定实体」是一种可借鉴的消歧范式：

• 在 RAG 里，query 里的歧义词若能先归到类型，检索的精度和召回都能改善。
• 在知识图谱构建中，类型层能作为实体链接的中间锚点，减少直接匹配的噪声。

这类「用可迁移的中间表示替代死记硬背」的思路，也是很多现代表示学习方法的共同底色。