当前位置： 首页 > news >正文

EP01：【NLP 第二弹】自然语言处理概述

news 2025/7/17 11:59:48

一、NLP通向智能之路

1.1 图灵测试

1.1.1 提出背景

由计算机科学家阿兰・图灵于 1950 年提出，是早期衡量机器智能水平的重要概念。

1.1.2 提出目的

  • 判断机器是否能表现出与人类相当的智能行为。

1.1.3 测试原理

  1. 场景设定：测试中存在一位人类测试者，以及一个被放置在“不可视房间”中的对象（可能是机器或人类）。
  2. 互动方式：人类测试者通过文本对话等非视觉方式与房间中的对象交流，无法直接观察对方的真实身份。
  3. 判断标准：若人类测试者在对话结束后，无法准确分辨与自己交流的对象是机器还是真人，则该机器被判定为 “通过图灵测试”。

1.1.4 测试结论

通过图灵测试的机器，在传统定义中会被认为 “拥有人工智能”，即其智能表现达到了与人类难以区分的程度。这一测试为早期人工智能的研究提供了具象化的评判标准，尽管随着技术发展，其局限性逐渐显现，但仍是人工智能发展史上的重要里程碑。

1.2 三种智能层次

1.2.1 运算智能

  1. 定义：让计算机拥有快速计算和记忆存储能力。
  2. 相关技术：
    • 硬件加速器：例如 GPU（图形处理单元）、TPU（张量处理单元）、ASICs（应用特定集成电路）等。
    • 并行计算：多核处理器、分布式系统、超线程技术等。
    • 高效算法：如 FFT（快速傅里叶变换）、Strassen算法（快速矩阵乘法）等。
    • 内存和存储技术：如 SSD、RAM、以及新型存储技术如 3D XPoint。

1.2.2 感知智能

  1. 定义：让计算机系统具备感知外部环境的能力。
  2. 相关技术：
    • 计算机视觉：包括以卷积神经网络（CNN）和图像处理在内的一系列内容，应用于图像识别、目标检测、图像分割等。
    • 语音识别：技术包括递归神经网络（RNN）、长短时记忆网络（LSTM）、声谱图等。
    • 触觉技术：例如电容触摸屏、压力感应器等。
    • 其它传感器技术：如雷达、激光雷达（LiDAR）、红外线传感器、摄像头、麦克风、气味检测传感器等。

1.2.3 认知智能

  1. 定义：让计算机系统具备类似于人类认知和思维能力的能力。
  2. 相关技术：
    • 自然语言处理：如 RNN、transformer、BERT、GPT架构、语义分析、情感分析等。
    • 增强学习：技术包括 Q-learning、Deep Q Networks (DQN)、蒙特卡洛树搜索（MCTS）等。
    • 知识图谱：结合大量数据，构建对象之间的关系，支持更复杂的查询和推理。
    • 逻辑推理和符号计算：如专家系统、规则引擎、SAT solvers 等。
    • 模拟人类思维的框架和算法：例如认知架构（如 SOAR 和 ACT-R）。

1.3 人机同频交流

1.3.1 社会共识

无论是图灵测试的设计方式，还是GPT爆火引发的AI浪潮都说明——在人工智能发展的过程当中，深度学习学者们、甚至整个人类社会都无意识地达成了一种高度的共识：认知智能是智能的终极体现，人机同频的交流是智能被实现的象征，无论一个人工智能算法有多强大的能力。

1.3.2 三大核心要求

  • 普适性地理解人类
  • 让人类理解
  • 与人类顺畅交流

1.4 自然语言处理

1.4.1 语言

  人类 90% 的信息获取与交流依赖语言，且语言承载着逻辑、情感、知识、智慧，是社会构建与文明传承的基础。

1.4.2 定义

  作为研究计算机认知、理解、生成人类语言，并依托语言完成交流与特定任务的学科，它是计算机实现 “与人类同频” 的核心路径。

1.4.3 地位

  自然语言处理的发展直接关系到人工智能能否真正具备 “智能”，因此在学术与工业领域均占据极其重要的地位。

1.4.4 学术界

  1. 学术会议热度攀升：NLP 领域的经典会议 ACL 和 NAACL 中，被接受的论文数量与比率逐年增长，反映出领域研究的蓬勃活力。
  2. 跨领域渗透显著：得益于语言与其他信息形式的强融合性，NLP 架构被广泛借鉴到多个领域，催生了众多突破性成果：
    • 计算机视觉领域，非卷积架构 ViT（Vision Transformer）凭借借鉴 NLP 的 Transformer 结构，在图像领域展现出强大能力。
    • 自动驾驶领域，谷歌大脑 2023 年 3 月发表的《LEAST-TO-MOST PROMPTING》论文显示，大语言模型结合提示工程，在高难度导航数据集 SCAN 上的预测精度从约 50% 提升至 99%。
  3. 学术成果占比领先：2023 年 3 月发布的 “机器学习 / 深度学习领域年度百佳论文” 中，专注 NLP 或依赖 NLP 技术的论文占比达 2/3，覆盖生成式语言模型、预训练技术、大语言模型、语音技术、图文模型等多个方向。

1.4.5 工业界

  1. NLP技术的工业化普及：NLP技术已深度融入各类实用场景，成为众多产品与服务的核心支撑：
    • 从搜索引擎的精准检索、推荐系统的个性化内容推送，到语音助手的交互响应、聊天机器人的智能对话，再到自动摘要的信息提炼、情感分析的用户态度洞察——这些高频应用的底层逻辑均依赖NLP技术。
    • 实际上，在PC端或移动设备中，几乎所有涉及文本交互或语音沟通的产品与服务，都离不开NLP技术的赋能，其已成为连接人机交互的“隐形基础设施”。
  2. NLP技术的爆发式扩散：自大语言模型诞生后，NLP技术的工业化应用呈现爆发式增长：
    • 2023年世界人工智能大会上，软件展区几乎被大语言模型相关的软件及应用程序全面覆盖，直观展现了NLP技术在产业端的热度。
    • 从前沿科技企业到互联网巨头，全行业均在积极布局自有大模型产品，推动NLP技术从基础能力向垂直场景的深度渗透，进一步巩固了其在工业界的核心地位。

二、大模型引发行业剧变

2.1 三大发展阶段

2.1.1 探索阶段：2011～2015（前Transformer时代）

  1. 时代背景：在AlphaGo和卷积网络掀起第三次人工智能革命之前，NLP领域主要依赖人工规则和知识库构建非常精细的“规则类语言模型”，当人工智能浪潮来临后，NLP转向使用统计学模型、深度学习模型和大规模语料库。
  2. 重要目标：研发语言模型、找出能够处理语言数据的算法。
  3. 重要技术：
    • 隐马尔可夫模型（HMM）
    • 条件随机场（CRF）
    • 支持向量机（SVM）
    • 循环神经网络（RNN）
    • 长短期记忆网络（LSTM）

2.1.2 提升阶段：2015～2020（Transformer时代）

  1. 时代背景：2015年谷歌将自注意力机制发扬光大、提出了Transformer架构，在未来的几年中，基于transformer的BERT、GPT等语言模型相继诞生。
  2. 重要目标：大幅提升语言模型在自然语言理解和生成方面的能力。
  3. 重要应用：
    • 搜索引擎
    • 推荐系统
    • 自动翻译
    • 智能助手

2.1.3 应用阶段：2020-至今（大模型时代）

  1. 时代背景：2020年秋天、GPT3.0所写的小软文在社交媒体上爆火，这个总参数量超出1750w、每运行1s就要消耗100w美元的大语言模型（Large Language Models，LLMs）为NLP领域开启了一个全新的阶段。
  2. 重要目标：
    • 模型研发：虽然GPT系列大模型的原理并未开源，但GPT的成功无疑为“如何提升语言模型表现”指出了一条明路。在GPT的启发下，海内外各大科技企业正在研发基于BERT、基于GPT或基于Transformer其他组合方式的大模型，国内一线大模型ChatGLM系列就是基于BERT和GPT的融合理念开发的中文大模型。同时，大模型研发和训练技术、如生物反馈式强化学习（RLFH）、近端策略优化（PPO）、奖励权重策略（Reward-based Weighting）、DeepSpeed训练引擎等发展迅速，势不可挡。虽然现在已不是NLP理论发展的高峰，但毫无疑问，大模型算法研发与训练依然是NLP最前沿的研究方向之一。
    • 成本降低：大模型吞吃大量语料、训练成本极高，要将大模型应用到具体商业场景、还需进一步研究和训练。因此降低大模型应用成本的预训练、微调、大规模语料库构建等技术正蓬勃发展！自2020年以来已诞生十余种可行的微调方法和自动语料生成方法，如有监督微调（SFT）、低阶自适应微调方法LoRA、提示词前缀微调方法Prefix Tuning、轻量级Prefix微调Prompt Tuning、百倍效率提升的微调方法P-Tuning V2、以及自适应预算分配微调方法AdaLoRA等。这些方法催生了GPT4.0和大量语言方面落地应用，已经大大改变了NLP的研究和应用格局。
    • 技术变现：
      • 大语言模型的性能十分强大、足以很好地支持各类NLP方面服务。
      • 大语言模型使用自然语言与消费者交互，可以大幅降低新产品的使用门槛，还可以与图像、语音等领域强势联动、形成多模态的产品。

2.2 大模型产品

  • ChatGPT
  • 跨语言代码编译工具Cursor
  • Github官方代码编写工具CopilotX
  • 一键生成PPT内容的Gamma AI
  • office全家桶中配置的Copilot
  • Photoshop中配置的fill features
  • 广泛生成图像的MidJourney和Stable Diffusion
  • 大模型APP研发范式LangChain

三、NLP带来危险与机遇

3.1 GPT的重大突破

GPT的诞生引发社会轰动，其代表了大模型技术和预训练模型在自然语言处理领域的关键突破，被比尔·盖茨（“与个人电脑或互联网同样重要”）、黄仁勋（“AI领域的iPhone，是更伟大事物的开始”）等行业领袖高度评价。

GPT不仅提升了人机交互的能力，还为智能助手、虚拟智能人物和其他领域的创新应用打开了新的可能性。随着大模型的进一步发展和应用，有理由期待GPT以及类似的技术在未来带来更多令人惊叹的创新和进步。

3.2 行业结构的变化趋势

整体行业呈欣欣向荣态势，但结构将发生显著变化：

  • 核心技术发生转移，大模型技术成为核心方向
  • 论文发表难度上升，理论研究门槛提高

3.3 从业者的机遇与挑战

  1. 就业市场：不会爆发针对NLP从业者的大规模失业潮（因多数从业者并非聚焦理论研究）。
  2. 转型需求：NLP从业者需主动适应技术变革，面临转型压力。
  3. 人才趋势：掌握大模型技术的NLP从业者将成为行业抢手人才。
  4. 具体领域：
    • 参与大模型的研发与优化，探索更高效的模型结构和训练方法。
    • 开发创新NLP应用，提升人类语言交互的智能性与效率。
    • 涉足多模态、具身智能、人类行为模拟等前沿研究，推动NLP技术边界拓展。

微语录：我的天空里没有太阳，总是黑夜，但并不暗，因为有东西代替了太阳。——东野圭吾

http://www.dtcms.com/a/283298.html

相关文章：

  • Postman接口
  • 代码随想录算法训练营第二十二天
  • AI编程神器 Claude Code 安装及使用体验
  • 横向移动(下)
  • RAG测试用例集的构造（Ragas的用法）
  • cell2location复现
  • MySQL基础学习之DML,DQL(二)
  • 访问继承成员（C++)
  • C语言数据存储与指针
  • 选择亿林数据软件测试服务，为哈尔滨企业数字化转型赋能
  • Rust入门之并发编程基础（三）
  • CSS全面系统教程：从入门到精通网页样式设计
  • Datawhale AI夏令营笔记-TF-IDF方法
  • 深度学习入门-卷积神经网络（CNN）
  • JS修改布局--两列布局，拖拽中间修改左右的宽度
  • GI6E 打破網路封鎖:保護你的通信身份安全
  • AI Agent开发学习系列 - langchain之LCEL(2)：LCEL 链式表达解析
  • Java对象的比较
  • 产品更新丨谷云科技 iPaaS 集成平台 V7.6 版本发布
  • C++面向对象创建打印算术表达式树
  • Spring Boot 源码解析之 Logging
  • Vue加密文章密码 VuePress
  • xss-labs靶场（1-5关）
  • 从零开始学习 Redux：React Native 项目中的状态管理
  • 数据结构-1(顺序表)
  • kafka--基础知识点--0
  • 智慧农业新图景：物联网如何精准守护作物生长​
  • 第六届信号处理与计算机科学国际学术会议（SPCS 2025)
  • CrewAI中构建智能体如何选择Crews 和Flows
  • 注意力机制从理论到实践：注意力提示、汇聚与评分函数