阅读提示：为防止内容获取不全，请勿使用浏览器阅读模式。
人工智能成熟之后。
人工智能成熟会带动很多原来遇到瓶颈的领域腾飞。
这其中就包括文本摘要这方面。
当人工智能成熟之后，像文本摘要这样的自然语言处理项目不仅会衍生出新的可能。
而且用户在进行自然语言处理领域所需要的成本也会迅速下跌。
前途是光明的，道路是曲折的。
这一美好前景的实现显然还需要很长时间。
尤其是这个时空很多机器学习这方面的进展并没有前世那个时空进展的迅速。
现在空有机器学习的概念，深度学习却还要差得远。
而没有真正意义上的深度学习，就没有真正意义上的人工智能。
某种程度上来讲，深度学习是机器学习的子集。
想要利用人工智能促进文本摘要方面多任务的进展暂时不现实。
毕竟林灰还需要不短不长的一段时间进行一些深度学习理论方面的基建。
至于说目前的话，如果想要实现多任务文本摘要。
唯一比较可行的方法只能是借助于大数据调教新闻摘要技术。
通过长时间的训练使得生成式摘要算法有搞定新闻的多任务处理。
为什么训练生成式摘要算法这件事情涉及到了大数据呢？
事实上算法不是空中楼阁，一般都需要在生产生活的实践中长期摸索。
一个优秀模型、算法的诞生更是少不了不断的调试探索。
通常情况下，一次次的调试离不开数据的支撑。
之所以所通常情况下。
是因为有些直觉超级牛比的大佬参与的模型/算法调试过程会有例外。
这些大佬有时不依靠数据，依靠直觉也能微操到效率很高的状态。
但也不能因此否定数据的重要性。
大佬的直觉很大程度上应该也是长期处理数据所形成的经验。
总之，数据是相当重要的。
而大数据的核心在于利用数据的价值。
在算法的调校过程中合理利用大数据以及大数据的一些研究规律往往能够事半功倍。
像生成式文本摘要这样一个自然语言处理方面的机器学习算法想要取得长足发展更是离不开大数据方面的助力。
虽然利用大数据调校生成式文本摘要只能说是大数据的一个简单应用。
但依靠大数据训练调校算法也是需要时间的，不可能一蹴而就。
林灰估计按照正常的科研进度。
用大数据将能处理多任务新闻的摘要算法搞出来起码也要一两月之后。
虽然林灰的前世的资料里面大概率就有现成的能够完美胜任多任务新闻摘要的算法。
但林灰觉得还是科学搬运比较好。
总之近期进行搬运是不可能的。