Seq2Seq 適合哪種任務？
原題
下列哪一種情境中最適合使用「序列到序列（Seq2Seq）」模型？
白話
「序列到序列（Seq2Seq，Sequence-to-Sequence）」是一種模型架構，名字已經說清楚它做什麼：輸入一個「序列」，輸出另一個「序列」。
問你：哪種任務該用 Seq2Seq？
先自己選一個答案，再看完整解析。
一句話總結
Seq2Seq 最適合「輸入一段文字，輸出語意等價的另一段文字」的任務，也就是將輸入文字轉換成語意等價的另一段文字，如自動翻譯或摘要生成，因為輸入長度和輸出長度都可以不同，但意義要保留。
情境
先感受問題：輸入和輸出的「長度」不一樣時，怎麼辦
假設「全球通」翻譯平台的工程師蔡芸要建立一個中翻英系統：
輸入（中文）：「人工智慧技術正在快速改變各行各業的運作方式」（20 個字）
輸出（英文）：「Artificial intelligence technology is rapidly transforming the way various industries operate」（13 個英文詞）
關鍵問題：輸入 20 個中文字，輸出 13 個英文詞。輸入和輸出的長度不同，而且你在開始翻譯之前，根本不知道輸出會有幾個詞。
一般的神經網路（如 MLP、CNN）假設輸入和輸出的維度是固定的，沒辦法處理「長度可變的輸入到長度可變的輸出」。
這就是 Seq2Seq 要解決的核心問題。
舊方法
在 Seq2Seq 出現前，翻譯系統怎麼做
早期機器翻譯用「統計方法」，踩了五個坑：
- 詞對詞翻譯的慘況：「我吃了很多飯」→「I eat many rice」，每個詞對一個詞翻，語法全錯，沒有整句語義的理解。
- 需要語言學家手工寫規則：要針對每個語言對（中英、英法）寫上千條語法規則，維護成本極高，換一個語言就要重頭來。
- 無法處理長距依賴：「雖然下雨，但他還是去了」，「雖然」和「還是」是一對，但如果句子很長，詞對詞翻譯完全抓不到這個關係。
- 固定長度向量的瓶頸：早期 RNN Encoder-Decoder 架構把整句壓縮成一個固定長度的向量，長句子的資訊丟失嚴重，句子越長翻得越爛。
- 無法共享跨任務知識：翻譯系統和摘要系統完全獨立，各自訓練，但兩個任務都是「文字轉文字」，底層能力本來可以共享。
新方法
Seq2Seq 的 Encoder-Decoder 架構怎麼解
蔡芸用的 Seq2Seq 模型分成兩個部分：
Encoder（編碼器）：讀取輸入的中文句子，一個字一個字讀進去，把整個句子「理解」成一個意義向量（context vector）。
Decoder（解碼器）：從這個意義向量開始，一個詞一個詞地生成英文，直到輸出「句子結束」符號。
輸入：「人工智慧技術正在快速改變各行各業」
→ Encoder 把它變成一個意義向量 [0.23, -0.81, 0.47, ...]
→ Decoder 從向量開始生成：「Artificial」→「intelligence」→「technology」→「is」→「rapidly」→「transforming」→「...」→「[END]」
重點是：Encoder 輸入多少個字都行，Decoder 輸出多少個詞都行，兩者透過意義向量連接，不需要長度一致。
這個架構之所以是 Seq2Seq 的「核心」，是因為它讓「文字轉文字」類的任務都能用同一個框架處理：翻譯、摘要、問答、對話、程式碼生成，全都是「一段文字 → 語意等價的另一段文字」。
這就是選項 D 講的：將輸入文字轉換成語意等價的另一段文字，如自動翻譯或摘要生成。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
Seq2Seq 架構的基礎版使用 RNN（Recurrent Neural Network，遞迴神經網路）作為 Encoder 和 Decoder，但現代版本已幾乎全面改用 Transformer。
Step 1 純故事版
- Encoder 讀入整個輸入句子，把它「消化」成一個意義向量（context vector）
- Decoder 拿到這個向量，開始逐詞生成輸出
- 每生成一個詞，這個詞成為下一步的輸入（自迴歸生成）
- 遇到特殊的「[END]」符號，停止生成
- Attention 機制讓 Decoder 在生成每個詞時，回頭「注意」輸入句子的不同部分
Step 2 中文 ↔ 程式碼對照
| 故事 | 概念符號 |
|---|---|
| 讀入輸入序列 | Encoder: h_t = f(x_t, h_{t-1}) |
| 壓縮成意義向量 | context c = h_T（Encoder 最後隱藏狀態） |
| 解碼器初始狀態 | Decoder: s_0 = c |
| 逐詞生成輸出 | y_t = g(s_t, y_{t-1}) |
| Attention 注意力分數 | α_t = softmax(score(s_t, h_i)) |
Step 3 符號角色表
- Encoder：負責「讀懂」輸入序列，把整個輸入轉換成向量表示（隱藏狀態）。
- Decoder：負責「生成」輸出序列，從 Encoder 的向量開始，一個詞一個詞地輸出。
- Context Vector（意義向量）：Encoder 把輸入句子壓縮成的一個固定長度向量，傳給 Decoder 作為「理解輸入的記憶」。
- Attention（注意力機制）：讓 Decoder 在生成每個輸出詞時，動態關注 Encoder 不同位置的輸出，解決了固定 context vector 的資訊瓶頸問題。
- 自迴歸生成（Autoregressive）：Decoder 每次生成一個詞，這個詞作為下一步的輸入，「用自己生的詞接著生」。
Step 4 完整公式對應
Attention 機制的核心公式（Bahdanau Attention）：
# Attention 分數：衡量 Decoder 的當前狀態 s_t
# 與 Encoder 的每個隱藏狀態 h_i 的相關性
score(s_t, h_i) = v^T × tanh(W_s × s_t + W_h × h_i)
# 轉成機率分佈（各位置的注意力權重）
α_{t,i} = softmax(score(s_t, h_i))
# 加權平均 Encoder 的隱藏狀態，得到動態 context vector
c_t = Σ_i α_{t,i} × h_i
# Decoder 用動態 context 生成當前詞
y_t = softmax(W_y × [s_t ; c_t])直觀理解：翻譯「蘋果（apple）」時，Attention 會讓 α 在輸入「蘋果」那個位置附近最高，讓 Decoder 知道「現在要翻譯的是這個部分」。
Step 5 自我複述
蓋住公式，說出 Seq2Seq + Attention 的流程：
- Encoder 讀入輸入序列，產生每個位置的隱藏狀態
- Decoder 開始生成，每步計算和 Encoder 各位置的 Attention 分數
- Attention 分數轉成權重（softmax），加權平均 Encoder 隱藏狀態
- Decoder 結合自己的狀態和動態 context，預測下一個詞
- 重複到輸出「[END]」停止
錯選項
為什麼其他選項是錯的
A預測銷售趨勢曲線，輸出未來數值序列
字面在說什麼
輸入過去幾個月的銷售數字，輸出未來幾個月的預測數字。看起來也是「序列進、序列出」，應該符合 Seq2Seq？
為什麼不對
這是時間序列預測（Time Series Forecasting）任務。雖然確實有「序列輸入，序列輸出」的形式，但輸入和輸出是同一個「值域」（都是數字），且輸出是輸入的延伸（預測未來），不是「語意轉換」。傳統上用 LSTM、ARIMA、Prophet 等時間序列模型，而不是 Seq2Seq。更關鍵的是，Seq2Seq 的設計動機是「語意空間的轉換」（中文意思 → 英文意思），不是數值序列的外插（extrapolation）。
誰會選錯
看到「序列輸出」就聯想到 Seq2Seq 的人。關鍵是輸出是否需要「語意理解與重新生成」，預測未來銷售數字是數學外插，不需要語意理解。
B辨識文本中出現的人名、地名與組織名稱等實體資訊
字面在說什麼
讀入一段文字，找出裡面的「蘋果公司（組織名）」「台北市（地名）」「林雅翠（人名）」，給每個詞貼標籤。
為什麼不對
這是命名實體識別（NER，Named Entity Recognition）任務，屬於「序列標注（Sequence Labeling）」類型，不是序列轉序列。輸入是詞序列，輸出是對應的標籤序列（每個詞對應一個標籤：O / B-PER / I-PER / B-LOC …），輸入和輸出長度一樣，是「一對一」的對應，不是 Seq2Seq 的「任意長度輸入到任意長度輸出」。NER 更常用 BERT + CRF 架構。
誰會選錯
看到「從文字裡提取資訊」就聯想到 Seq2Seq 的人。NER 的輸出雖然也是序列，但長度和輸入相同，每個位置一一對應，不需要「編碼整句再解碼成新序列」的機制。
C對輸入文本中的關鍵字進行頻率統計與可視化
字面在說什麼
分析一篇文章，統計哪些詞出現最多次，畫出文字雲或長條圖。
為什麼不對
這根本不是機器學習模型的任務，而是基本的詞頻統計（Frequency Count），用 Python 的 collections.Counter 或 TF-IDF 就能做，完全不需要神經網路，更不需要 Seq2Seq。Seq2Seq 處理的是「語意理解後的文字生成」，和「數數哪個詞出現幾次」毫無關係。
誰會選錯
對「AI 分析文字」和「統計分析文字」沒有區分的人。AI 模型是在「沒有明確規則的情況下自動學習語言規律」，而詞頻統計是有明確計算規則的算法，兩者差很多。
變形題
同個考點下次怎麼變形
使用者說一句話，機器人回一句話，是「序列進、序列出」，應該是 Seq2Seq？
答案
是的，對話系統是 Seq2Seq 的經典應用之一。輸入是使用者的話（序列），輸出是機器人的回覆（語意等價但不同形式的序列）。早期對話系統確實直接套 Seq2Seq 架構，現代則改用更強大的 Transformer 架構（如 GPT、T5），但底層邏輯仍然是 Seq2Seq 的 Encoder-Decoder 概念。GPT 的「Pure Decoder」架構是 Seq2Seq 的一個特例（Encoder 和 Decoder 合在一起）。
輸入是圖片（不是序列），輸出是一段描述文字（序列），算 Seq2Seq 嗎？
答案
是「廣義 Seq2Seq」，但輸入不是序列。圖像描述生成的架構是 CNN Encoder（把圖片轉成向量）+ RNN / Transformer Decoder（生成文字），原理和 Seq2Seq 相同（Encoder 理解輸入，Decoder 生成輸出），但嚴格定義的 Seq2Seq 輸入是序列。現代做法把圖片切成 patches 後用 ViT 處理，這樣輸入就真的是序列了。
現在大家都在講 Transformer，Seq2Seq 是舊技術了嗎？
答案
Transformer 是 Seq2Seq 框架的進化版實作。原始 Seq2Seq 用 RNN 實作 Encoder 和 Decoder，有處理長序列時資訊遺失的問題。Transformer（2017 年 Google「Attention is All You Need」論文）用 Self-Attention 完全取代 RNN，解決了長距依賴問題，訓練速度也大幅提升。T5、BART 等模型都是「Transformer 架構的 Seq2Seq 模型」，概念框架（Encoder 理解、Decoder 生成）完全一樣，只是內部實作用 Transformer 取代了 RNN。
Seq2Seq 是自然語言處理技術，和生物學有什麼關係？
答案
DNA 序列和蛋白質序列都是「序列」，Seq2Seq 的框架完全可以套用。主要應用有三個：第一是 DNA 序列到蛋白質序列的預測（基因表達）；第二是蛋白質結構預測的中間步驟；第三是分子翻譯（把一種化學結構表示法轉換成另一種）。AlphaFold 雖然不是純 Seq2Seq，但它的 Encoder 部分用了 Seq2Seq 相關的 Transformer 技術處理蛋白質序列。
翻譯有很多種說法都是對的，怎麼自動評估好不好？
答案
最常用的是 BLEU（Bilingual Evaluation Understudy）分數：把機器翻譯的輸出和人類參考翻譯對比，計算 n-gram 重疊率。BLEU 1.0 代表完全一致，0 代表完全不同。實務上 BLEU 0.3~0.4 已算不錯的翻譯。摘要任務用 ROUGE（Recall-Oriented Understudy for Gisting Evaluation），評估摘要和參考摘要的 n-gram 召回率。這兩個指標都是「和人類翻譯的字面相似度」，不完全代表語意品質，所以還需要人工評估（如 MOS 分數）。
延伸
想再往下看，這 5 個
- 序列到序列模型（Seq2Seq）
正解核心：Encoder 把輸入序列編碼成向量，Decoder 解碼出輸出序列，適合翻譯、摘要等輸入輸出長度不同的任務。 - 機器翻譯（Machine Translation）
Seq2Seq 最經典的應用場景，中翻英等「語意等價轉換」任務是考題中的核心情境，也是 Seq2Seq 的發展動力。 - 轉換器架構（Transformer）
現代 Seq2Seq 的主流實作，用 Self-Attention 取代 RNN，大幅改善長序列的語意捕捉能力和訓練效率。 - 文本摘要（Text Summarization）
Seq2Seq 另一個典型應用，輸入長文、輸出短摘要，屬於「序列轉序列」的語意壓縮任務，和翻譯並列為正解例子。 - 注意力機制（Attention Mechanism）
讓 Decoder 生成每個詞時動態聚焦輸入序列的相關位置，解決固定向量的資訊瓶頸，是 Seq2Seq 品質的關鍵突破。