大语言模型所处的领域，叫自然语言处理（NLP），也就是机器处理人类的日常的语言，这里有一个最大的难度，也是NLP用十几年的时间走的一个弯路——
早期的科学家所使用的方式，其实我们也许也能想到，就是把各种规则告诉机器，“如果...那么...”之类，只要把所有语言的通用规告诉机器，那么机器只要做判断就行了，但是最后的结果就是，人类的语言太复杂了，多大的规则都无法穷尽语言的使用。
这我们也能想想，毕竟我们都能体验到，一个词在这句话是这个意思，到了那句话可能就完全不是那么回事儿了；一句话放着这个情景里是这个意思，换一个场景就完全不是那个意思了。
所以，即便图像识别（计算机视觉）都已经大规模应用了，语言文本的处理还没什么大的进展，就在于语言太复杂了，机器无法全面的处理。
于是，后来科学家就把自然语言的处理转换成了机器擅长的数学运算，怎么来做呢？
首先，抛开所有的语言学层面的规则、语法，而是基于一个基本的语言特征，就是所有的词的产生都是根据上下文和语境来的，你的这个词的产生很大程度就是上一个词“接下来”的，所以转换成机器能做的运算，就可以变成相似性和概率的运算。
就是把每句话进行分词，然后把分好的词再进行向量化，转变成包含了多个维度特征的向量，在实践中，可能一个词转换的特征向量是有上千个维度（如[345,2,34,89，...]），我们用一个包含了几千个维度特征的向量来表达这个词，这时候，我们就把语言的问题，转变成了计算向量的相似性的问题，就把负责的语言问题转换成了简单的向量距离计算的问题，这也是机器所擅长的。
