NLPNatural Language Processing

它涵蓋的範圍

NLP（Natural Language Processing，自然語言處理）是讓電腦理解、處理、生成人類語言的技術領域。這是一個很寬的傘狀分類，底下包含許多具體任務：

• 機器翻譯：把一種語言轉成另一種語言
• 語音辨識：把聲音轉成文字
• 情感分析：判斷一段文字是正面、負面還是中性
• 命名實體辨識：從文字裡抓出人名、地名、機構名
• 文字摘要：把長文壓縮成短摘要
• 問答系統：根據問題找出或生成答案
• 聊天機器人：進行多輪對話

這些任務的共通點是：輸入或輸出至少有一端是人類使用的自然語言，而不是程式語言或結構化資料。

和 LLM 的關係

在LLM（大型語言模型）出現以前，NLP 領域的做法是每個任務各自訓練一個專用模型。做翻譯的模型和做情感分析的模型是兩個完全不同的系統，各自需要標註資料、各自訓練、各自調整。

LLM 改變了這個局面。一個夠大、訓練夠廣的語言模型，往往能同時把翻譯、摘要、問答、情感分析這些任務都處理得不錯，不需要為每個任務單獨訓練。

為什麼會有這種轉變

專用模型的問題在於規模不經濟。一間公司如果要同時做翻譯、客服問答、內容審核，過去等於要維護三套獨立系統，各自的資料標註、訓練、維運成本都要重複付一次。

LLM 用一個模型涵蓋多數任務，把這個成本結構整個打破了。這也是為什麼近幾年 NLP 領域的新專案，起點幾乎都變成「直接用 LLM 能不能做到」，而不是「該訓練一個什麼樣的專用模型」。

傳統做法還有存在空間嗎

有，但角色變了。在幾種情境下，針對單一任務訓練的小型專用模型仍然有優勢：

• 反應速度要求極高：專用模型通常比呼叫大型模型快得多
• 運算成本敏感：處理量極大、但任務本身很簡單的場景（例如篩選垃圾訊息），用一整個大型模型處理成本過高
• 資料無法外流：某些場景下自己訓練並部署的小模型，比呼叫外部 API 更符合資料治理要求

實務上常見的做法是混合使用：簡單、高頻的任務交給輕量專用模型過濾，複雜或需要理解脈絡的任務再交給 LLM 處理。

常見誤解

「NLP 是舊技術，已經被 LLM 取代」——不準確。NLP 是領域名稱，LLM 是這個領域裡的一種技術路線。說「LLM 取代了 NLP」就像說「汽車取代了交通」一樣，混淆了目標和手段的層次。

「做 NLP 一定要很懂語言學」——早期是這樣，現在門檻已經大幅降低。深度學習方法讓模型自己從大量資料裡學出語言規律，不再高度依賴人工設計的語言學規則。

延伸閱讀：LLM 是什麼、Embedding 是什麼、生成式 AI 是什麼。