什么是隐马尔可夫模型？看不见的状态怎么推

用语音输入法说话，麦克风拿到的是一串声学特征，你想要的是文字。这类语音 AI 要在两者之间架一座桥，而中间隔着一层谁也没直接看见的东西：此刻发出的到底是哪个音。隐马尔可夫模型就是为这类问题设计的——观测看得见，状态看不见，靠两者的统计关系把状态反推出来。这篇讲清它用两组概率把看不见和看得见连起来、三个基本问题各自对应什么算法、它的两条假设在什么情况下会崩，以及今天的深度模型替代了它的哪一部分。

两个序列，两组概率

模型里有两条并行的序列。状态序列是真正想知道的那条，比如每个时刻的音素、词性或真实天气，它不可观测；观测序列是能采集到的那条，比如声学特征、带不带伞。把两者连起来的是两组概率：转移概率描述状态之间怎么切换，今天下雨明天继续下雨的可能性有多大；发射概率描述某个状态下观测长什么样的可能性，下雨天带伞的概率高、晴天带伞的概率低。再加上一组初始状态分布，模型就完整了。所谓隐，指的就是状态这条线藏在观测背后。

三个问题，三套算法

围绕这个结构，经典教材把问题归成三类，每一类都有对应的解法：

三个问题共用同一套动态规划思路：把对所有可能路径的枚举压缩成逐时刻递推，复杂度从指数级降到与序列长度和状态数的乘积成正比。这也是 HMM 能在算力有限的年代大规模落地的主要原因，优势来自算法把计算量压到了可承受的范围。

为什么这套简化曾经够用

HMM 的两条假设都是大幅简化：当前状态只依赖上一个状态，观测只依赖当前状态。现实显然不是这样，语音里一个音受前后好几个音影响，相邻帧之间高度相关。但在数据量小、算力紧张的条件下，简化带来的偏差往往小于参数估计的方差——状态数一多，要估的转移概率就成倍增长，参数估不准，模型再好也没用。HMM 用强假设换来了参数少、可解释、能在小数据上稳定训练，这三条在当年的工业场景里比精度更值钱。它的状态还能起名字，这个状态对应摩擦音这种可读性，是后来的黑箱模型给不了的。

两条假设，各自在哪里崩

马尔可夫假设的问题出在长距离依赖。自然语言里主谓一致要看很远，语音里的协同发音也跨多个音素，一阶假设把这些信息全压成上一刻，模型只能靠局部上下文猜。观测独立假设的问题更隐蔽：它认为给定状态后各时刻的观测互不相关，而真实信号相邻帧几乎必然相关，这会系统性低估序列的似然，实践中靠加入差分特征、或用混合高斯做发射分布来缓解，但只是打补丁。第三处限制不在假设里，而在设计上：状态数量要人定，设几个、每个代表什么，没有客观标准，设少了表达力不够，设多了参数估不准、还容易过拟合。训练用 EM，只能收敛到局部最优，初始值不同结果可能不同。

两条假设一破就不准

把边界说透：HMM 无法建模真正的长程结构，这是原理性的，调参解决不了；它不擅长处理输入输出长度不一致且对齐未知的任务，后来的 CTC 就是针对这一点提出的；它生成的序列质量偏弱，因为假设太强；状态数与状态含义的人为设定，让它在探索性任务里很难用。这些短板直接催生了后面的路线——用循环网络记住更长的历史，见 LSTM 的门控设计；用注意力机制绕开逐步递推。但要说它完全过时也不准确，在样本少、要求可解释、状态本身有物理含义的场合，比如部分传感器信号分析、生物序列比对，它仍然是个合理选择。

今天还值得理解它的理由

HMM 真正留下的遗产是隐变量这个思路：你观察到的数据背后，往往有一层没被记录的状态，先假设这层状态存在、再假设它如何产生观测，就能把模糊的问题变成可计算的问题。今天的对话系统猜用户意图、推荐系统猜兴趣偏好，用的都是同一个框架，只是把假设换成了神经网络。想从更基础的地方理解这条线，可以先看 马尔可夫链，它是不带隐状态的那一半；再看 语音识别 的演进，能看清这套方法是怎么被一步步替换掉的。

速查：隐马尔可夫模型

• 两个序列：状态序列不可见，观测序列可见
• 两组概率：转移概率管状态怎么变，发射概率管观测怎么来
• 三个问题：评估用前向-后向，解码用 Viterbi，学习用 Baum-Welch
• 两条假设：一阶马尔可夫、观测独立，长依赖和帧间相关都会让它们失真