而且知识来源手段用来搞钱的话很可能比知识本身来钱更快。

作为自然语言处理的知识来源的算法和数据能换钱。

同样作为自然语言处理知识来源的狭义知识自然一样是能够换钱的。

对于算法能换钱的基本上为世人所周知。

即便是此前不知道这个能换钱的如果长时间关注林灰前段时间的所忙碌的重点也能清楚。

此前牵扯林灰多数时间的基本都是生成式摘要算法这件事。

无利不起早，没有足够的利益驱动林灰自然不会为这件事鞍前马后。

算法能换钱这件事基本不难懂。

算法往往直接影响一些算法驱动型产品的效率。

而效率就是真金白银。

能够直接影响效率的算法自然是能够很容易换取丰厚报酬的。

理解了算法能换钱。

其实也就不难理解数据为什么能换钱。

毕竟数据是很多机器学习算法构建的基石。

机器学习算法的出现往往要依赖于有标注的数据。

而且在相当长的一段时期内机器学习算法不仅是依赖于有标注的数据。

而且是依赖于大量有标注的数据。

标注数据量较小的情况下，很多时候是不足以训练一个性能优异的机器学习算法的。

从这个角度出发，就不难理解数据为什么可以换钱。

很多时候甚至可以完全可以把数据理解为是一种隐性的知识。

而数据标注的过程实际上就是将散漫自有的离散数据结构化、标签化的过程。

在算法和数据之外，所谓的狭义知识是什么呢？

狭义知识一般指通过规则或词典等形式由人工定义的显性知识。

狭义知识主要包括三种：

——即语言知识、常识知识和世界知识。

其中，语言知识是指对语言的词法、句法或语义进行的定义或描述。

其主要特色是定义了同义词集合。每个同义词集合由具有相同意义的词组成。

常识知识是指人们基于共同经验而获得的基本知识。

世界知识包括实体、实体属性、实体之间的关系等。

或许有人不理解？

为什么这类知识能换钱呢？

这些东西不都是显而易见吗？

这些知识虽然本质上依旧是人们所能理解的显性知识。

但对人们来说显而易见的显性知识。

不等于对机器同样是显而易见的。

对于这类知识往往要通过规则化或者是词典化的处理以便于这些知识能够通过简单的处理成让机器理解。

这些很容易被机器所理解的知识叫狭义知识，也被称为专家知识。

尽管现在主要训练模型已经是谋求算法甚至是数据本身了。

但狭义知识是相当有市场的。

反正从此前和尹芙·卡莉的交流来看。

都2014了，硅谷现在开发点什么机器学习仍旧是要动不动跟哈佛、牛津之类高校合作。

这些人之所以仰仗哈佛、牛津除了是指望这些高校进行下数据标注之外。

主要应该就是指望着这些高校在狭义知识方面的加持了。

这些人这么做也容易理解。

毕竟最早涉及到自然语言处理方面的模型数据的时候人们是用狭义知识进行训练的，而不是依靠数据和算法。

认识十年的老书友给我推荐的追书app，！真特么好用，开车、睡前都靠这个朗读听书打发时间，这里可以下载】