但 ChatGPT 顯然無法分辨「什麼是可被計算的，什麼是不可被計算的」，也就是說它分不清楚「什麼是可被理解地 makes sense，而什麼是不可被理解地 not makes sense」。
因此，在 AI 時代裡，語言學的「語意計算」可以更好地和生成式大型語言模型做搭配，將「無法被理解」的語句加以標出、排除或是拒絕處理，以便讓本質為接龍模型的 LLM 可以產出品質更好的結果。
而我們從語言學的角度出發，可以這麼做，是因為我們知道語言具有內部結構 (如系列文一所述)，而且這個結構可以被描述為一個可被計算與繼承的程式函式。
在本文中，我們進一步延續這個概念，將結構內的每個詞彙，依其在句法結點上的位置，直接轉寫為一組函數關係。並據以解釋「什麼是具有 comprehensibility (可被理解性)」的句子，說明「makes sense vs. not makes sense」的差異。也說明在一個 makes sense 的語意前提下，什麼是「真實」什麼是「虛假」的計算。
在下一篇系列文中，我們將進一步展示，利用這樣的語意計算能力，我們可以做哪些應用。
[註 1]
John rented a house in Boston.
這個句子有兩種可能的意思。
a. John 做租房子這個動作的時候，人在 Boston，但房子不一定在 Boston.
b. John 租了一個在 Boston 的房子，但他做這個動作的時候不一定在 Boston.
本文的說明採用 a 做為說明之用。如果改採 b 的話，其函式關係如下：
除了這個 HeadFirst 的參數設定以外，我們還會注意到「所有能扮演 Function 的元素，都是有限的數量」。比如說英文介系詞就少少的那幾個，中文的更少 (e.g., 在、於、之、的…等)。換言之，人類幼童根本不需要有那麼多的訓練語料，他只需要掌握住「那些常常出現的高頻詞，各自是屬於要往前併成一個 XP 的類型，還是往後併成一個 XP 的類型」就可以了。
於是「那隻貓打破了這個花瓶」，就可以很快地被以下的步驟逐層解析並加上標記：(我用 -> 和 <- 來表示它是往哪個方向併成一個 XP 結構，並用 [ ] 標出已經併起來的單位)
a. 將語言 K 中的功能詞列出來。如此一來，我們將可以區分 K 語言中的詞彙邊界。[註五]
b. 將語言 K 中的功能詞的特徵是否為左分支設定好。如此一來，我們將可以轉譯 K 語言成為一組一組的 Func(arg, arg, …) 的結構。
c. 有了 a, b 兩個功能以後，我們便能更進一步自動位資料自動做出知識圖譜。
紅色的字標出的是原句裡 "John rented a room in Boston" 裡的動詞以後的部份。從這棵完整的句法樹裡還能看到，如果我們要把整個句子擴充成 "John rented a room that is in Boston" 能得到一樣的語意。因為在句法結構裡，"that" 和 "is" (及其相關的時間語意 <tense>) 都已經有節點可以計算了。
每一個 XP 都是一個 func(). 而能做為其 arguments (論元) 的詞性變化也是有限的 (大概都在二到三個變化之間)。在卓騰，我們就是利用這樣的特性把每個 XP 的函式寫出來 (大概有三十個)，然後就能計算句法結構並轉為語意了。
最後是 Chomsky 的現代語言學，如同前兩篇系列文中的說明，其屬於一種理論科學，因而如前篇系列文裡說明的一樣，它並不像文法研究，反而更像數學一樣，是帶著利用 Formalized Symbol System (形式化的符號系統) 的各種函式來進行研究的科學，被喜歡以「主義與學派」分類的人歸類在 "Formalism" 裡。
