人工智能即用计算机听得懂的语言向其描述人类现象：数字、可能性和规则。任何时候，紧缩计算机在音乐框架内的选择，从某种意义上来说，是在教它们某些关于音乐的东西，并让它们做出“聪明的”或见多识广的选择。对随机游走来说也是一样的：如果你紧缩MIDI音的选择，例如说，你教会了patch（通过将MIDI值转为cps）音阶、比率、音程和平均律。如果你将随机选择限制在C大调音阶，那么cpu便对一个音节中全音程与半音程的关系变得“聪明”。如果我们倾向于C比其他音有更多被选择的机会，那么cpu就有一点点懂得调性（tonality）了。这种倾向映射经常以比率或可能性的形式出现。在简单的倾向性随机选择里仅有一级可能性：在音阶内每个可能选择的可能性。这被称为零阶可能性马尔可夫过程（Markov Process with a zeroth order probability）。

本章，我们将测试与额外音乐准则相连的音乐选择的可能性。几乎所有音乐都对创作者的选择具有音乐性上的影响，这里，我们将强化那个联系。这些准则可能包含诸如植物的电子脉冲、星星的位置、一个山的轮廓、或者雨雪的模式等等自然数据；它们可能包含类似其他音乐、文字、发车时间表等人类体系；或者掩饰的输入（masked input），比如在演出空间中，动作被映射到音高、振幅、音色等等之上的一个听众。

绝对值 vs. 比例值，节奏反向 [本章绝大多数偏向创作，并无太多SC的东西] 做序列化的一个选择是选择绝对或比例值。绝对值将一成不变，一个绝对的C4将永远是C4。比例值基于一个公式或上一个值计算。使用同样的比例，却返回不同的值。五度（fifth）音程是比例值一个很好的例子。较弱这样，实际返回的值可能是C4或D-flat3（不懂如何翻译..D降3？），但它将永远比上一个值大1/5。比例值对音高、下一事件、持续时间和振幅起作用。它在振幅方面尤为有用，允许序列化在音量间渐变。

Pbind将音乐事件的不同参数联系在一起。它使用一个模式将那些值流化（stream）到当前的环境。环境（Environment）是另一个我们之前无需考虑的幕后结构。它包含了一组附属于符号（symbol）的全局默认值。下边是一个不完整的列表。你会发现它们常是以不同方式表述的同样的值：freq和midinote，amp和db。

译者：yang2 | 编辑：ww1way 为什么用电脑做音乐? 你已经学了这么长时间的电脑音乐课,无疑你会有一些想法. 这里是我为什么用电脑作曲的原因: 它们迅速 fast, 精确 accurate, 复杂 complex, 全面 thorough, 顺从 obedient, 而且不带个人意见. 它们会完全按照你的意思来进行,完全顺从你的意见,不抱怨也不提问.它们永远不会用它们的想法来添加或者篡改你的作品.

在这一节，我们将谈谈不同类型的随机进程。并不会有很多人去写纯的随机音乐（尽管看起来像是）。总之这不是非常有趣的。通常会有一些过滤、倾斜（skew）或倾向（bias）。即使看起来选择的面很宽，所有可被听到的频率（30Hz～20000Hz），对于那些频率都有一个倾向。在之前的“随机”音乐范例中，我们倾向于一个MIDI值的范围（而不是连续的频率），可能的持续时间的范围，等等。即使凯奇（John Cage）的作品常被认为是随机的，但他们仍由倾向塑造。4’33″便具有一个强烈的倾向：没有来自于钢琴的音符。