🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📜
历史NLP的历史是一条从"规则"到"统计"再到"深度学习"的演进之路。早期靠人工写语法规则，进展缓慢；2000年代统计方法(如HMM、CRF)崛起；2013年Word2Vec开启词嵌入时代；2018年BERT和GPT让预训练成为标配。每一次范式转移都让NLP能力跃升一个台阶。
一句话总结
💡
NLP 致力于让计算机理解与生成人类语言，经历了从规则到统计再到深度学习与大模型的演进。
常见误区
这些坑别踩
✗
误区 1
NLP 就是让机器翻译文本。
✓
正确理解
NLP 涵盖分词、分类、生成、问答、信息抽取等众多任务。
✗
误区 2
深度学习出现前 NLP 毫无进展。
✓
正确理解
统计方法（如 n-gram、HMM、CRF）在深度学习前已取得大量成果。
✗
误区 3
大模型能解决所有 NLP 问题。
✓
正确理解
大模型在低资源、实时性、领域精确性等场景仍有局限。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
自然语言处理（NLP）的发展大致经历了哪几个阶段？
2
统计机器学习时代 NLP 的主要特点不包括以下哪项？
3
深度学习时代 NLP 的关键突破是？
4
预训练大模型时代（BERT/GPT 等）的核心范式是？
面试经典题
共 4 题 · 先思考再看答案
1
基础
请简述 NLP 发展的四个主要阶段及其代表性技术。
2
中等
从规则方法到深度学习，NLP 处理范式发生了怎样的根本转变？
3
中等
预训练语言模型（如 BERT/GPT）为什么能取得巨大成功？其核心思想是什么？
4
困难
当前 NLP 面临哪些主要挑战？未来可能的发展方向是什么？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺