不论是拼凑法还是统计模型都没能充分保障诗句的“语义合理”。原因可以归结为两方面一是对汉字的语义理解不足二是对汉字的前后关系建模有限。从语义上看拼凑法完全没有理解语义只是句子的机械裁剪和拼接统计模型法只能简单描述字与字的共现规律并没有深入理解语义。从字的前后关系建模上看拼凑法和统计模型法只能建模近邻字之间的关系没有关注长距离的句间依赖。2014 年之后神经网络尤其是循环神经网络RNN 和Transformer 模型取得突破为AI 作诗带来“语义建模”能力。其中关键技术包括如下两点词向量嵌入把汉字映射到连续向量空间。语义相近的字向量彼此接近语义不同的字向量相互远离。这样就形成了一种基于向量距离的“理解”。汉字的向量表示具有重要意义它让我们从汉字的表面形式深入语义理解同时也让离散的汉字变得可计算为更深一级的语义处理打下了基础。序列建模神经网络可以关注句子中任意位置的字并捕捉长距离依赖关系更好地理解字与字、句与句之间的前后搭配关系提诗句的自然度与语义连贯性。清华大学的AI 诗人“薇薇”即采用了序列神经网络和注意力机制将作诗视为“逐字生成”的过程基于当前已生成的字串预测下一个最合适的字。下面是 AI 诗人“薇薇”创作的七言绝句《海棠花》海棠花红霞淡艳媚妆水万朵千峰映碧垂。一夜东风吹雨过满城春色在天辉。在诗歌盲评中诗词专家并不知道哪些诗由人写、哪些诗由“薇薇”写。结果显示评分最高的前两首诗均出自“薇薇”且有 31% 的 AI 作品被误判为“人类创作”意味着 AI 已初步具备“拟人化”写诗的能力。