你有沒有看過 AI 不只回答，還能自己把一句話寫完整？ 你可以把它想成先知道要講什麼，再把意思整理成順口的自然語句。 自然語言生成關心的是怎麼把結構化資訊、推理結果、或模型輸出變成像人寫的文字。 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
自然語言生成 vs 自然語言理解 自然語言生成：把意思寫出來 自然語言理解：把句子看懂 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
自然語言生成 vs 摘要 自然語言生成：範圍更大，任何文字產出都算 摘要：只是生成的其中一種任務 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
先懂內容，再把內容說順。
實際案例
報表摘要 把一堆數字轉成一句可讀的管理摘要。
客服回覆 系統先抓出關鍵資料，再生成語氣自然的回信。
算法與應用
NLG 常要解決內容選擇、句子規劃、和表面實現三件事。 好的生成不只是語法正確，還要符合情境、語氣、和資訊重點。 如果內容選錯，再漂亮的句子也沒有用。
情境判斷
Q1（直覺題）： 系統把銷售數據變成一段自然語句，這屬於什麼？
自然語言生成，因為重點是把資訊寫成文字。
Q2（判斷題）： 如果句子很順，但數字全講錯，這還算好的生成嗎？
不算，語句流暢不代表內容正確。
常見問題
它和聊天機器人一樣嗎？
聊天機器人常用到它，但 NLG 只管文字產出，不等於整個對話系統。
它一定要很長的文字嗎？
不一定，短句、標題、甚至一個標籤都可以是生成結果。
它會偷內容嗎？
好的系統會根據輸入重新組織，不是照抄。