大約在2020年下半，我開始了一個新的實驗，建立了一個全自動的系統，自動摘要前一天網路上的熱門話題，以此話題寫詩，然後發表在網路上。
這個系統在每天凌晨的時候，會自動上 PTT 八卦板找「24小時內回應最多的文章」，然後丟給「內容分析」的系統，找出「主題」跟相關的「文字脈絡」；這些主題跟文字，再丟給語言模型（當時用的是「用知名小說家作品集微調過的 GPT-2」），生成幾首詩；最後，再用生成的詩丟給「文字生成影像」的模型來生成圖片（當時 MidJourney 還是邀請制，我用的是 open source 的 ImageGAN），最後形成有圖有字的文章。
這個系統執行了100多天的成果，我放在「智慧有限」網站，當然，現在看起來這個系統沒什麼了不起，但想像一下，這個系統上線的時間比 ChatGPT 要早了一年多，所以技術含量也不是那麼的低。網站系統上有時間戳記，所以我也不用為先後順序多做解釋了。
記得當時給一些朋友看，大部分人的反應都是：「喔，那這可以拿來幹嘛？」不過在 GenAI 元年的現在，大概就不會有人這麼問了。
其實相同的系統架構，把 GPT-2 換成現在的 LLM（llama3, qwen2.5, ... etc.），立刻可以變身成為輿情分析、新聞摘要，甚至可以作到一定程度的導覽或策展（curate）。我相信這是目前很多單位在從事開發的目標。
回顧整個計畫執行過程中，我個人覺得比較有趣的部份有兩點。
第一個是「語言模型微調」的實務，這個題目目前是顯學，相關著作很多，像是前幾天剛出版的 "Build a Large Language Model (From Scratch)"，基本上就跟我當時的工作日誌裡紀錄的流程差不多，只是當時靠著 RTX-2080 勉強可以微調 GPT-2 模型，要從頭訓練可能就力有未逮了。
第二是「詩該怎麼寫」。要知道 GPT-2 的「體積」是目前主流 LLM 的幾萬分之一，甚或更小（我用的是 small 的版本），能連續生出300字通順而且不偏離主題的內容，就很偷笑了，自然不可能像現在的 chatGPT 一樣直接命令它寫一首詩，還能寫得有模有樣。
然而恰恰因為如此，我們剛好可以實驗各種理論流派對詩的結構的定義。舉例來說，連續的兩句詩句，是要用連續生成的文句，還是用兩次生成的內容之中，語意相關性高，但又不是最高的句子？甚或是，我們該用多個不同版本的微調，對同一主題、相同脈絡進行文字生成，然後再做重組？（就是現在所謂的 MoE）
如此一來，文學似乎出現了一絲契機，可以成為一門實驗科學。這是今天用 GPT-3 以後的大語言模型，反而沒辦法做到的事情。
當然，這只是我個人覺得有趣而已，把文學做成了科學，一則不怎麼浪漫，二則也不見得有什麼實質的意義。
然後，這幾年還做了很多工作，試圖讓 machine learning 可以更恰當的作為一種科學研究的工具，這個部分就留待後續吧。
