搜尋意圖： 如果你在找「自然語言處理 是什麼」、「自然語言處理 會怎麼考」或「自然語言處理 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 自然語言處理使電腦能理解、分析和生成人類語言，是 AI 語音助理與翻譯等應用的核心技術
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，電腦怎麼從人話裡抓出意思？ 你可以把它想成讓機器學會讀、寫、切詞、分類、抽資訊，像在處理一整套語言工作。 自然語言處理是把文字變成可計算資料的總稱，從分詞到理解，再到生成都屬於它。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
自然語言處理 vs 自然語言理解 自然語言處理：整個大領域 自然語言理解：偏理解語意的子領域 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
自然語言處理 vs 語音辨識 自然語言處理：處理文字 語音辨識：先把聲音轉成文字 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
人話要先變成電腦看得懂的資料。
實際案例
搜尋引擎 把查詢切詞、去停用詞、理解意圖，找出最相關頁面。
客服系統 把使用者輸入分成意圖、實體、和回覆內容，再走後續流程。
算法與應用
NLP 的工作鏈很長，常包含文字前處理、特徵表示、理解、與生成。 現代 NLP 幾乎都離不開語言模型。 它的難點在語意、上下文、歧義和跨語言差異。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 自然語言處理 | 台灣正式用語 |
| 自然语言处理 | 簡體寫法，簡體資料的標準用語 |
| Natural Language Processing | 英文原名 |
| NLP | 標準縮寫，注意這個縮寫在心理學領域另指神經語言程式學，是完全不同的東西 |
| 自然語言理解（NLU）／自然語言生成（NLG） | 自然語言處理底下的兩個子領域，前者管讀懂，後者管寫出 |
這個領域包含哪些任務
| 層次 | 代表任務 |
|---|---|
| 詞彙層 | 斷詞、詞性標註、詞幹還原、命名實體識別 |
| 句法層 | 依存句法分析、成分句法分析 |
| 語意層 | 語意角色標註、指代消解、情感分析 |
| 語用與應用層 | 機器翻譯、摘要、問答、對話、檢索 |
中文的處理跟英文有一個關鍵差異：中文沒有空格分詞。英文靠空格就能切出詞，中文得先做斷詞，而斷詞本身就是一個容易出錯的任務（「研究生命起源」可以切成「研究生／命／起源」或「研究／生命／起源」）。這也是為什麼子詞切分（subword tokenization）對中文特別重要。
從規則到大型語言模型的三個階段
規則時期（1950 到 1990 年代）：語言學家手寫文法規則與詞典。優點是可解釋、可控，缺點是覆蓋不了語言的無窮變化，維護成本隨規則數量爆炸。
統計與機器學習時期（1990 到 2013 年前後）：改用標註語料訓練統計模型，代表方法有隱馬可夫模型、條件隨機場、以及統計式機器翻譯。這時期的主力工作是特徵工程。
深度學習與預訓練時期（2013 年之後）：先是詞向量（word2vec、GloVe）讓詞有了連續的語意表示，接著循環神經網路與注意力機制處理序列，2017 年 Transformer 架構問世後，預訓練加微調成為標準流程，再演進到現在的大型語言模型。
現在的實務分工大致是：需要生成、需要跨任務彈性，用大型語言模型；需要低延遲、低成本、固定輸出格式的分類與抽取，用小型編碼器模型微調仍然更划算。
情境判斷
Q1（直覺題）： 你要讓系統看懂一句中文並判斷意圖，這屬於什麼？
Q2（判斷題）： 如果一個系統只有文字輸入，沒有聲音，也沒有影像，還算 NLP 嗎？
iPAS 考題
Q：自然語言處理最常做的事情有哪些？ → 分詞、分類、資訊抽取、問答、生成，核心是把人話變成可計算的資料。
Q：為什麼中文 NLP 一開始常先做分詞？ → 因為中文沒有明確空格切詞，電腦需要先把句子切成可處理的單位。
常見問題
NLP 和 AI 是一樣嗎？
不是，NLP 只是 AI 的一個分支。
它一定要用深度學習嗎？
不一定，傳統統計方法也屬於 NLP。
分詞為什麼常被提到？
因為它是中文 NLP 最基礎的前處理步驟之一。