自然语言处理（NLP）的发展脉络分三段：1950年图灵测试提出、90年代统计方法兴起让机器从语料学习规律、2013年Word2Vec把单词转成向量、2018年Transformer问世推动对话式大模型，解决早期规则系统难以覆盖复杂表达的问题，并不解决多义词与文化语境的歧义。
- 早期尝试（1950s-1980s）
NLP的开端与AI的诞生几乎同步。1950年，英国数学家图灵（Alan Turing）提出了“图灵测试”：如果机器能和人用语言交流，让人分不出是机器还是人，就算它有智能。这激发了人们对NLP的兴趣。
早期的NLP靠“规则系统”。比如，程序员会手动写规则：如果句子有“天气”+“怎么样”，就去查气象数据。但这种方法很笨拙，语言一复杂（比如俚语或长句），规则就跟不上了。 - 统计方法的兴起（1990s-2000s）
到了90年代，计算机算力提升，数据也多了起来。研究者开始用统计方法，让机器从大量文本中“学”语言规律。比如，通过分析一堆新闻，机器发现“天气”和“晴天”经常一起出现，就知道它们有关联。这种方法比规则系统灵活多了，像谷歌翻译最初就是靠统计模型。 - 深度学习的革命（2010s至今）
上一期讲到的深度学习彻底改变了NLP。2013年，Word2Vec模型问世，它能把单词变成数字向量（比如“猫”和“狗”的向量很接近，“猫”和“桌子”就很远），让机器理解词义。2018年，Transformer模型（后面会细讲）横空出世，推动了ChatGPT这样的超级AI诞生。现在的NLP不仅能翻译，还能写诗、聊天，甚至模仿特定的人说话。
