從自然語言處理（NLP）到大型語言模型（LLM）
我們在淺談 自然語言處理（NLP, Natural Language Processing）介紹過「自然語言處理（NLP）」是什麼，它是一種橫跨計算機科學、人工智能和語言學的學科。包括多方面的方法和技術，基本有認知、理解、處理，或甚至是生成自然語言（即人類日常所使用的語言）等。
NLP 是讓電腦能夠處理和分析人類語言，將其轉換為可計算和可操作的形式，再根據目的做處理。例如：對文本和語音的分析、機器翻譯、語音識別、資訊檢索、文本摘要、情感分析和對話系統等多方面的應用。
在 NLP 中，電腦需要對語言進行斷詞（可參考：AI 斷詞大解密）、詞性標註（可參考：給聊天機器人的訓練重點提示）、句法分析和語意理解等，以便更好地處理和理解文本。
機器是不會思考的，於是科學家們就告訴機器如何識字，也就是將人類使用的語言轉化為有意義的符號和關係，機器從大量的資料和現象中找出自己的規則並且學習，這就是「機器學習」的開端。隨著「深度學習」和「神經網絡」等技術不斷地發展，讓人工智慧有了大躍進，這些擁有龐大資料和參數的語言模型，即被稱為「大型語言模型」（LLM，Large Language Model）。
大型語言模型（LLM）對自然語言處理（NLP）的影響
LLM 是基於 NLP 所發展的技術，它帶來非常重要的影響，可以應用在各種 NLP 任務中，例如：
- 語言生成：生成更自然流暢的語言，可應用在語音識別、機器翻譯等。
- 語言理解：理解文本的意義，例如在模糊語句對AI的影響中提及語言中「一詞多義」的現象，當我們利用 LLM 分析更多資料，文本理解的準確性也會越高。
- 語言分類：根據文本內容進行情感分析或主題分類等。
- 語言錯誤指正：LLM 可以自動檢測拼寫錯誤或語法錯誤等。
透過 LLＭ 的發展，研究者們不斷地嘗試使以上任務的準確度提高，也盡可能地減低訓練的時間或成本，帶給我們更多便利性。
相反地，LLM 仍然存在一些限制：
- 數據不足：訓練數據資料若不足，則可能影響語言模型的準確性。
- 過度擬合：「過度擬合（overfitting）」是指模型利用原先提供的訓練資料可進行準確的預測結果，但在加入新資料後，過度擬合的模型可能會提供不準確的預測，導致整體準確度下降。
- 語言結構：LLM 可能被限制在已知的語言結構或語法規則中，因此碰到新的語言形式或變化時，可能無法將它處理好。
- 偏見謬誤：LLM 可能會有性別、種族、地域等方面的偏見。
現今研究者們也不斷地對於 LLM 存在的瑕疵做優化，讓我們可以有更好的工具進行各種任務。同時我們也應該考量以上正面或負面的各種因素，選擇合適的模型和方法來解決各種任務。
如何因應人工智慧？
2022 年 ChatGPT 的問世引起全球轟動，雖然像 ChatGPT 一樣的生成式 AI（Generative AI）看似已經滲入我們的生活或工作，帶來正面或負面的影響，但我們必須思考的是：「AI 技術不是要取代我們，而是該如何應用 AI 增進我們的技術？」
例如：AI 雖然會幫我們寫文章，但從分析大量資料之後所堆砌而成的文字，不可能原封不動地應用到各個領域。我們可以參考 AI 給我們的答案，幫助我們增加工作效率，進一步提升我們人類的生產技術及品質。
同時 ，AI 所生成的文字或圖片的智慧財產權應歸屬於誰？或是更嚴重的侵權、歧視或侵害隱私所造成的問題，例如：深偽技術（Deepfake）（可參考：眼見不為憑 — — AI 做出的虛擬人像），AI 所涉及的社會、法律及倫理等各方面的問題，勢必是我們未來必須持續關注並思考的問題。
AI 講講話｜人工智慧 AI 系列文目錄
- 淺談 人工智慧（AI, Artificial Intelligence）
- AI 的歷史演進
- 取得訓練資料 — — 打造模型的第一步
- 特徵抽取 — — 你是哪裡人？
- AI 技術在企業上的數位轉型
- AI 的應用：機器翻譯
- AI 是如何變聰明的？ — — 淺談「機器學習」與「深度學習」
- AI 如何變聰明？（二） — — 什麼是「機器學習」
- AI 如何變聰明？（三） — — 模擬人類大腦的「類神經網路」
- AI 如何變聰明？（四） — — 什麼是「深度學習」
- 開啟 AI 2.0 新時代
- 大型語言模型（LLM）的發展
- 大型語言模型（LLM）對自然語言處理（NLP）的影響 ← 目前位置
- ChatGPT 為什麼那麼紅？一次了解歷代 GPT 模型
