很多工具里都有一个不起眼的 seed 输入框。填个 42，结果能重现；换个数字，结果立刻变样。
一句话：随机种子是喂给伪随机数生成器（PRNG，Pseudorandom Number Generator）的初始值，它决定了接下来那串"随机数"具体长什么样。
计算机里没有真正的随机。伪随机数生成器更像一本印好的密码本：种子是起始页码，翻开之后每页数字早就写死了，只是看起来杂乱无章。所以"随机"是表演出来的——只要页码一致，念出来的内容就一字不差。
在模型训练里，种子管着一大摊事：权重初始化、数据打乱顺序、AI 词典：Dropout">Dropout 丢弃哪些神经元、数据增强怎么裁剪、生成模型最初那张噪声图。固定种子，是为了把"运气"这个变量按死，让两次实验之间只有你真正想改的东西在变。
但这里有个常被忽略的事实：种子只保证"同一套环境下的确定性"，它不是跨环境的通行证。 同一份代码、同一个种子，在自己笔记本上跑出的 loss 曲线，和同事在另一张显卡上跑出来的，最后几位小数往往对不上，迭代久了甚至能差出可观的量级。原因通常是：
- 浮点加法不满足结合律，(a+b)+c 与 a+(b+c) 可能差一个最低位；
- GPU 上成千上万个线程做归约（reduction），累加顺序和 CPU 完全不同；
- 卷积、矩阵乘法会自动挑选底层算法，驱动和算子库版本一变，挑中的可能就不是同一个；
- 某些算子本身带非确定性（比如并行原子累加），框架文档里通常会单独标注。
这些最低位的差异会顺着反向传播一路放大，最后变成两条不同的曲线。
| 想复现的层次 | 需要固定的东西 | 换台机器还灵吗 |
|---|---|---|
| 算法逻辑 | 种子 + 代码 | 趋势一致，数值未必逐位对齐 |
| 框架行为 | 框架与依赖版本、确定性开关 | 往往需要重跑 |
| 硬件执行 | 显卡型号、驱动、并行配置 | 基本对不上 |
对从业者的意义：记录种子是好习惯，但别把它当成复现的全部。写实验报告时顺手带上框架版本、硬件和是否开了确定性模式，别人复现时才不会卡在"数字对不上、趋势一样"的困惑里。做严谨对比时，也可以多跑几个种子取平均，免得结论恰好落在某个幸运种子上。
对普通人的意义：用同一个种子和同一段提示词生成图片或文本，得到的是"高度相似"而不是"逐像素相同"，这很正常；换一家服务、换一个模型版本，同一个种子更是从零开始。具体到某个工具的确定性范围，以官方文档为准。