回头看，用 QA/MRC（机器阅读理解）来做各种 NLP 任务，在当年是小火过一把的——有多火，可以参考复旦邱锡鹏、黄萱菁老师团队那篇 Paradigm Shift in Natural Language Processing。但多数人，包括我，只是把这个范式套到自己关心的任务上，然后窃喜于：这么简单的配方，竟然如此有效，甚至吊打 SOTA。
反观 GPT 的作者，他们敏锐地看到：互联网数据里本就散落着大量的任务描述。于是，基于对并行计算友好的 Transformer 架构，用 next-token 预测这个最朴素的语言模型目标，暴力刷互联网数据——竟一步步做成了真正的 NLP 大一统模型，直到初步建起那座巴别塔。云泥之别。
其实，把 NLU 当作 QA 来做、把信息抽取统一成 text-to-structure（UIE），都已经露出了 LLM 的端倪。只是我们没敢再往前多想几步——差的不是技术，是想象力，和胆识。
这一点我自己尤其有体会：2020 年我带队参加第八届 CCF 大数据与计算智能大赛（BDCI），凭一套 MRC 的打法拿了三等奖和”产业应用潜力”奖（51CTO 的报道）。离那层窗户纸并不远，却终究没能捅破。