目前，自然語(yǔ)言處理(NLP)正獲得并保持著(zhù)廣泛的關(guān)注，這通常與自然語(yǔ)言處理對不斷發(fā)展的高級人工智能(AI)的重要性有關(guān)。

這是有充分理由的。從歷史上看，自然語(yǔ)言雖然可以被人類(lèi)輕易理解，但卻一直是計算機前所未有的導航挑戰。但是，盡管程度尚待商debate，但毫無(wú)疑問(wèn)，自然語(yǔ)言處理的進(jìn)步正在改變這一事實(shí)，并且計算機越來(lái)越接近能夠有效有效地理解和管理自然語(yǔ)言的能力。

這最終將導致計算機不僅能夠理解編程語(yǔ)言形式的結構化數據，而且能夠理解自然語(yǔ)言形式的數據(結構化和非結構化)。最具革命性的正是對AI的影響。

根據我過(guò)去討論過(guò)的DIKW模型(在文獻中通常用金字塔表示)，NLP當前進(jìn)步的意義(尤其是與非結構化數據有關(guān)的意義)變得顯而易見(jiàn)，我對此進(jìn)行了討論(包括與知識有關(guān)的特定考慮因素- >模型的智慧峰)。該模型著(zhù)重強調了數據和信息如何帶來(lái)知識，以及知識(管理得當)如何帶來(lái)組織智慧。

我喜歡該模型的地方在于，它還形象地表示了關(guān)鍵的關(guān)系和現象，一個(gè)具體的例子就是我所說(shuō)的“知識失敗”。這些都是無(wú)法有效地管理知識以創(chuàng )建組織智慧的過(guò)程(作為知識的一部分->智慧高峰)。

“知識生產(chǎn)過(guò)剩”，就是這種失敗的一種，被定義為“知識的發(fā)展超出了使組織智慧最佳地最大化所需的知識的發(fā)展”。至少從歷史上看是這樣。一個(gè)必然的結果是，任何組織所面臨的挑戰不是總是了解更多，而是了解足夠。

這是因為知識生產(chǎn)的弊端超出了必要的范圍。我已經(jīng)指出了知識生產(chǎn)過(guò)剩的弊端：最明顯的是浪費了努力使事情變得有意義(我是David Shenk對“數據煙霧”的直觀(guān)參考的擁護者)。但同時(shí)，也將精力浪費在了知識開(kāi)發(fā)，共享，處理和管理上(因為基礎知識的創(chuàng )造是努力獲取數據和信息，并將信息進(jìn)一步發(fā)展為知識。)

但是，隨著(zhù)NLP的最新發(fā)展，知識過(guò)度生產(chǎn)作為“知識失敗”的本質(zhì)正在發(fā)生變化。