Hur datorn lagrar text, bilder och ljud

Allt som går in i en modell är tal. Frågan är bara hur.

• Text: varje tecken har ett nummer (Unicode). A = 65, å = 229, 😀 = 128512. En text är en lista med tal. (Språkmodeller går ett steg till och klumpar ihop tecken till tokens.)
• Bild: ett rutnät av pixlar; varje pixel tre tal 0–255 (rött, grönt, blått). En 1000 × 1000-bild = 3 miljoner tal.
• Ljud: mikrofonen mäter lufttrycket 44 100 gånger per sekund; varje mätning ett tal. En sekund = 44 100 tal.

Modellen bryr sig inte om vad talen betyder — den hittar mönster i dem.

text = "Hej!"
print([ord(c) for c in text])        # [72, 101, 106, 33]
print(chr(229))                        # å

# en 2×2-bild i RGB: rader → pixlar → (r, g, b)
bild = [[(255, 0, 0), (0, 255, 0)],
        [(0, 0, 255), (0, 0, 0)]]
print(bild[0][1])                      # (0, 255, 0) — grön

# en sekund tyst ljud vid 8 kHz
ljud = [0] * 8000

Storlek: 1000 × 1000 pixlar × 3 byte = 3 MB okomprimerat. Komprimering (JPEG, MP3) kastar bort det ögat/örat inte märker.