正在清华大学电子信息专业读研二的蔡紫宴3年前决定换掉自己的专业，从经济学转到人工智能相关专业—“自然语言处理”（Natural L anguageProcessing，NLP）。

这是一个当时听起来十分时髦的研究领域。非计算机专业的人对这个领域或许陌生，但只要你曾與苹果的Siri等聊天机器人互动过，或是使用过Google翻译、输入法中的关键词联想功能，那么你就或多或少地接触过NLP。

然而研究生入学一年多后，蔡紫宴就发现，他在课堂和比赛中学到的自然语言处理技术，正在快速迭代。

易变的前沿

“我们看到NLP领域很多研究都被ChatGPT‘消灭’了。”四川大学神经网络方向副研究员郭泉说，如果说此前学校里的学生、研究员们还在试图通过不同的模型使机器更准确地完成分词、提取人名等传统N L P任务，那么ChatGPT已经可以跳过这些中间环节，直接生成结果，而且做得很好。

NLP是个古老的领域，但技术迭代周期在以翻倍的速度缩短。早在1940年代，工程师们就尝试用提前设定好的规则（比如语法），训练机器理解语言。1990年代，基于统计的技术开始应用到NLP中。2010年之后，深度学习成为主流。然后就来到了2020年，当年3月，OpenAI发布了其第3代大语言模型（LargeLanguage Model，LLM）GPT-3（基于Transformer）。

从时间跨度来看，NLP领域的技术迭代时间从最早的30年、20年减少到了10年—差不多是一位在这一领域求学的学生从大学入学到博士毕业的时长。

蔡紫宴担心，再过两年，他在学校和实践中所学的技术都会被淘汰，“你对一些自然语言的理解可能被完全颠覆，在考试、实习时你当作定理来背的很多东西都没意义了。”蔡紫宴说，他3年前开始学习自然语言处理的相关知识，当时主要与预训练语言模型相关，双向编码的BERT模型更被看好，而如今GPT模型表现出了更好的潜力。

“这就像一棵进化树，在一个分支十分辉煌后突然走向尽头，另一个分支逐渐登上舞台。”蔡紫宴说，如果早些年N L P 的研究类似于纯手工的作坊，在2 017年G oogle提出Transformer和后来预训练语言模型一统天下后，NLP领域的研究就像拥有了自动缝纫机的纺织工—现在，则进一步转向全自动化底座的流水线。

学术期刊和会议对收录论文的要求也一夕之间发生改变。蔡紫宴发现，但凡论文涉及模型效果，只要论文没有理论性创新，就必须考虑“大模型”。不然，审稿人基本都会问“你的研究结果与ChatGP T相比表现如 何”。

进入“大模型时代”以来，技术的演进速度并没有慢下来，而是更快了。