科技應用

現在的生成式人工智慧能做到的事情越來越多，也越做越好。像是ChatGPT這樣的大型語言模型應用，從一般的問答、文章翻譯、摘要到檢查，甚至程式碼的撰寫，都能幫上忙。而身為語言學研究所的學生，我對於機器和資訊系統學習人類語言這件事情感到驚奇之餘，也很好奇 LLM 和人類在「語言知識的儲存表徵與運用機制」的差異究竟在哪裡？

掌握母語知識後，幼兒便能開始創造其「一生中從沒看過或聽過」的句子。反觀 LLM，以 Meta 開發的 Llama 3.1 405B為例，根據官方給出的數據，其訓練資料包含超過 15 兆個字元，這幾乎可以說是網際網路出現以來所有的文本資料了，並且其訓練用的硬體設備不論在記憶體大小還是執行速度上，都遠超幼兒大腦。集大量軟硬體資源於一身的 LLM 在「語言知識」上仍與普通人類有基本的差異，甚至在某些特定情境下，不及那個每天早上只靠一杯咖啡保持頭腦清醒、侃侃而談的你。

我們進行這個實驗並不是想表達 LLM 不好，而是想實際應用簡單的語言學知識，驗證這些形式化的分析是否真的能實現「在接受這麼少的前提的情況下，知道這麽多」的效果。我們的實驗成果顯示 pyLiteracy 在文法檢查這類小型 NLP 任務中的表現十分出色。最重要的是，仰賴更貼近人類對語言的理解方式，它能用相比於 LLM 而言，非常非常少的資源就完成任務，在這個專案中，我們用非常非常少的語言學知識就省下了非常多的資源。