后来随着间谍卫星等更高效获取情报的手段相继问世，M军方对这方面的研究的热情才逐渐被澹漠。
尽管如此，商业上对文本摘要的热情却几乎自始至终毫无动摇。
文本作为信息的重要载体，再怎么重视也不为过。
新世纪互联网的告诉发展，大量信息的涌现。
人们更是不得不重视。
对信息的研究越深入，我们就越能了解到这个世界。
文本摘要的深度探索，让我们对信息的掌控更强。
就林灰在文本摘要上所作的贡献而言。
说林灰改变了世界也不为过。
反正尹芙·卡莉不觉得这种说法有什么不对的地方。
涉及到具体领域，林灰所作的贡献在自然语言处理所做的贡献实在是同样很大。
相对于传统的抽取式文本摘要，生成式文本摘要的意义空前。
之所以说生成式文本摘要的意义空前，并不仅仅是因为这项技术在处理文本摘要上效率上更高。
当然生成式文本摘要能够拥有更高的处理文本的效率。
这个对于记者之类的相关使用人员来说效率的提高确实是很具有意义。
但这不是科研人员所关心的。
一个转动的更快的轮子相比于一个同样能转但转的较慢的轮子相比有价值。
但深究之下会发现其实价值也不大。
事实上尹芙·卡莉觉得生成式文本摘要最不起眼的内容就是其在效率方面的提升。
甚至可以说效率只是生成式文本摘要这项算法的外在表现而不是这一算法的真正内核。
通常意义上所说的自然语言处理（NLP）主要内容无非就是两部分。
一部分是NLU，另一部分是NLG。
前者指的是自然语言理解，后者指的是自然语言生成。
林灰搞定的生成式文本摘要算法在自然语言理解和自然语言生成此二者上都有极为突出的意义。
言情
生成式文本摘要这项全新的文本摘要算法。
其相比于传统的抽取式摘要只能借助于原有的文本内容抽取而言，能直接“无中生有”的进行摘要生成。
这样的一种算法在自然语言理解方面自然是做到了前所未有的高度。
而且这也启发着在自然语言生成方面有可能实现新的突破。
自然语言生成更是一项极为有价值的方向。
自然语言生成更长远的未来可不仅仅是依靠文本生成文本。
理论上讲，当神经网络学习进展到一定地步的时候。
当输入内容不是文本的时候，也可以据此进行自然语言生成。
诚然如此的话，那么今后自然语言处理这方面会获得真正意义上的腾飞。
届时自然语言处理也会彻底摆脱现在一向圈地自萌的局面。
而神经网络学习发展到什么样的地步才可能实现新的突破呢？
尹芙·卡莉对林灰在论文补充内容中提到的深度学习印象极为深刻。
所有人都知道神经网络学习这方面为了使得模型更加高效就要更深。
可怎样更深入呢？
这是个问题。
现在世界里神经网络学习虽然很多人都冠以深度学习之名。
但其实尹芙·卡莉觉得这些都是不够深的。