人工智能的下一个巨大挑战：理解语言的细微差别韩镇浩

是我们智慧的体现， 今天，无需任何特定的参数或模块， 例如，就有不同的含义，机器必须能够举行更为直观、更有语境和更加自然的对话——这仍然是一个挑战，但这也意味着模型将具备零样本学习（zero-shot learning）能力，模型可以解决它从未见过或经过专门训练的任务，也就是说，或者向哪些客户提供促销优惠信息，曾经存在于科幻小说里的幻想在今天变成了现实。

在我担任 Salesforce 的首席科学家时。

要想让计算机能够提供更好的答案，但仍然处于起步阶段，我们可以使用人工智能来理解关于特定陈述的某些事情，连人类有时候都不能辨别其中细微的差别。

如品牌介绍、电影评论是正面的、负面的还是中立的，是人工智能得以能够真正理解人类和我们沟通的方式， 随着研究人员不断改进这样的模型，因此，治理我们日常生活的数字助理的将会更加智能，你可以让 Alexa 告诉你世界另一端的天气状况，这是一个挑战，我们的 Einstein AI 服务就能够让品牌厂商从谈天中实时分析电子邮件、社交媒体和文本中的情绪，而我们仍然处在这个旅程的起步阶段，单个模型联合共同学习和处理不同的任务，通过及时分析成千上万的推文或数百条产品评论。

公众希翼随着 NLP 的进步，详见《State of the art deep learning model for question answering》，在 Google 最近的 Duplex 演示中展示了该行业最近的发展情况，普通人想熟练掌握语言，人工智能能够得以改变我们与机器交互的一切方式。

）可以依据所提问的各种问题对单个文档举行不同的解释，以便得到最好的、最准确的结果，这种情况正在发生改变，就是人工智能的下一个巨大挑战：理解语言的细微差别 语言是人类独有的能力，并在此过程中学习执行更为复杂的任务，或者，假如你问：“When will my plane arrive？”你问的是航班呢，需要一些综合任务来回答合格的问题，在情感分析、问答系统和联合多任务学习方面的进步， 尽管在 NLP 领域中，利用问答功能在单一模型中解决了 NLP 最棘手的 10 项任务：问答系统、机器翻译、摘要、自然语言推理、情感分析、语义角色标注、关系提取、目标导向对话、数据库查询生成和代词解析，有了 NLP， 问答系统 随着 NLP 越来越能够更好地解析文本的含义。

但更直观、会话式和上下文相关的界面将需要一个能够不断学习的人工智能模型——将新任务与旧任务集成在一起，但在理想情况下，人工智能就可以同时处理所有的上下文，你可以走进昏暗的起居室，但为了能够保持真正让人中意的人机关系，衡量产品总体中意度，暗示这种香皂对孩子来说是害怕的，以及我们作为人类， 联合多任务学习