近年来，“人工智能”一词被称为“人工智能”。已经存在了几十年的话题再次成为热门话题。特别是随着AlphaGo的出现，普通人已经听说了人工智能，许多公司都宣布人工智能是未来最重要的战略方向。由于图像和语音识别方面的最新技术突破以及AlphaGo背后的技术，使用了深度学习技术，使许多人认为人工智能是深度学习。然而，在业内许多人看来，尽管深度学习确实促进了技术变革的浪潮，但是它所代表的人工智能技术仍然是“弱人工智能”。技术。它的典型特征是：（1）面对特定问题（例如玩围棋，识别视频中的猫咪，玩某种游戏等）； （2）需要大量的培训数据。尽管许多系统声称能够“转移学习”，对于不同领域，在实际系统中，它们总是遇到一种或另一种困难。这就是为什么深度学习在图像和语音领域取得突破的原因，但是在自然语言处理领域，尽管已经出现了大量论文，并且已经在某些系统中得到实际应用，但它们仍处于发展阶段。 “丰富的积累”。 “稀疏的头发”的时刻。同时，在学术界总是存在着不同观点的争论。例如，在封面文章“通过概率程序诱导的人类概念学习”中提到了“通过概率程序诱导的人类概念学习”。美国《科学》杂志（Science）2015年12月杂志中，三人分别来自麻省理工学院和纽约大学。多伦多大学的研究指出：人类通常只需要一个或几个例子就可以学习一个新概念，而机器则需要数百个例子才能达到相似的识别精度。例如，当人们看到新型两轮平衡自行车的实例时，他们可以轻松地从独轮车，自行车，摩托车和汽车中识别出它。但是对于机器而言，它们目前不具备此类功能。深度学习仍然像是无底的“记忆黑匣子”。这就需要大量的培训实例来学习超出人类能力的技能。在此“科学”中，在杂志的封面文章中，作者指出了深度学习的弱点，并声称通过“贝叶斯程序学习”可以实现深度学习。可以模拟人类的认知，并通过了图灵测试。尽管三位作者和顶尖的深度学习专家Geoffrey Hinton互相礼貌地说，“贝叶斯程序学习”仍然是一种“贝叶斯程序学习”。和“深度学习”两者都处于不同任务的最前沿。如果他们可以互相学习，他们一定会互相弥补。 ，但是“黑暗之战”在“贝叶斯学校”之间以及“神经网络学校”在学术界仍在继续。言归正传，在自然语言处理领域，文本理解仍然是人工智能尚未解决的问题。尽管“ Microsoft Xiaobing”在Microsoft Research的研究团队的大力支持下，它已经能够与人们聊天。和“个性”，但是业界仍然清楚地认识到，基于LSTM的检索方法和技术，该解决方案可能能够使产品看起来像“人工智能”，但距离“人工智能”还很远。 ;可以真正地“自己学习”。这是因为，尽管目前计算机可以轻松击败世界围棋冠军，但其学习能力和文本理解能力可能远不及三，四岁儿童的学习能力和文本理解能力。去年10月底，Microsoft Research发布了Microsoft概念图（Microsoft Concept Graph，https：//concept.research.microsoft.com/）。它的核心知识库包含540万个概念。除了包含大多数通用知识库中包含的某些概念（例如“城市”，“音乐家”等）之外，Microsoft Concept Graph还包含数百万个长尾概念，例如“抗帕金森疗法”， “名人婚纱设计师”这些概念很难在其他知识库中找到。该概念性知识图谱使计算机可以掌握计算机的“常识”。 （这是人类了解所有事物的基础），从而模仿人类进行简单的推理。基于概念性知识图的推理过程称为概念化，它模拟人在看到短文本时在他们的脑海中形成推理的过程。例如，当我们看到“ Apple”时，我们会