让 AI 检查随机编号重复：四张标签，也可能有接近一半的碰撞机会

前天 4阅读

给演示卡片随机挑短编号时，常觉得“可选代号比卡片多，应该很难撞上”。实际上，组内任意两张都可能重复。可以让AI从全部不同的情形反过来算，先在一个很小的模型里看清碰撞是怎样累积的。

AI生成概念示意图：两张标签出现相同符号；标签数量只是概念表达，不是正文样本或真实登记数据。

用十种代号和四张标签做完整例子

以下是原创合成教学设定：代号为零到九，每张独立、等可能选择一个，生成后不查重，也不重抽，一共四张。它们只用于桌面演示，没有真实账户、人员资料或系统安全用途，也未进行模型能力测试。

第一张随便选都不会与前面重复。第二张要避开第一张，只剩十分之九机会；在前两张不同的条件下，第三张有十分之八机会继续不同；前三张不同以后，第四张有十分之七机会不重复。

四张全部不同的概率因此是十分之九、十分之八、十分之七相乘，得到百分之五十点四。至少出现一对重复，就是它的相反事件，概率为百分之四十九点六，已经接近一半。

四张标签共有十的四次方，即一万条等可能代号序列，其中全部不同的有十乘九乘八乘七，共五千零四十条。其余四千九百六十条都至少包含一次重复，与前面的逐步计算一致。

本文用本地程序枚举全部一万条序列，逐条比较不同代号的数量，得到相同计数。重复到三张、甚至四张相同的序列，也只算作一个“发生过碰撞”的结果，不能按它包含几对重复多算几次。

这个验收对象要写清楚：我们问的是组内任意两张重复，既包含第一张与其他张相同，也包含后三张之间重复。若AI只拿后三张与第一张比较，就遗漏了例如零、一、一、二这样的序列。

四张标签之间一共有六对，每一对相同的概率确实是十分之一。六个概率相加得到零点六，表示重复对数的期望，不等于“至少有一对重复”的概率，因为同一份结果可以同时命中好几对。

例如零、零、零、一包含三对重复，但整组只发生了一次“存在重复”事件。把每对机会简单相加，会让这条结果被算三遍。本地枚举也核对出每组平均重复对数为零点六，与碰撞概率零点四九六同时成立。

若可选代号扩到一百种，仍独立生成四张且不查重，按同样方法算得碰撞机会约百分之五点八九。可选范围扩大能降低机会，却仍不是绝对不会重复；两组计算都依赖等可能、独立和不重抽这些条件。

可复用提示词：“按给定代号数和标签数，分别算全不重复概率、至少一对重复概率与重复对数期望。说明各自事件，用小规模完整枚举交叉验证；不能把对数期望当作发生概率，也不要假设未提供的查重机制。”

如果业务要求每张标签都唯一，可以改用顺序编号，或生成后查重并按明确规则重抽。这已经是另一套流程，应单独检查是否真的阻止重复写入，而不是继续拿原来的随机碰撞概率当唯一性保证。

AI能帮助展开计算和构造反例，人需要确认实际生成方式、可选空间与验收目标。先弄清是在减少重复机会，还是保证最终结果无重复，才能选择对应的流程与检查办法。