# 统计语言模型对今天的 LLM 有什么启发？

## 元数据

- 合集：吴军作品合集
- 作品：数学之美
- 作者：吴军
- 章节：统计语言模型
- 定位：AI PM / 产品经理 / 技术商业与增长面试
- 优先级：P0
- 标签：math-for-ai, nlp, ai-product

## 面试问题

早期统计语言模型把语言问题转成概率问题，今天的 LLM 更强大，但核心仍是基于上下文预测和生成。理解概率视角有助于理解模型能力和局限。

## 30 秒回答

语言可以被建模为序列概率；上下文决定预测分布；流畅输出不等于事实正确

## 展开要点

- N-gram 和 LLM 有什么连续性？
- 概率模型为什么会胡说？
- 如何向非技术面试官解释语言模型？

## 高频追问

- 解释 AI 面试回答生成时区分语言流畅、事实依据和任务适配三个层次

## 项目映射

- AI PM 不必只背大模型名词，要能讲清楚语言建模的基本直觉。

## AI PM 迁移

['language-model', 'probability', 'llm']

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。