从更强盛的语言声音和图像辩别到自动驾驭车子，机器学习和深度学习近年来已取得了众多突破。可是，这点试图模仿大脑事业形式的人力智能技艺的一种大难题是，它们运用的神经网站不具有大家所具有的知识性常识和上下文，比如社会习俗，物理学定律和原因和结果。

这可能会使它们的决策有时感觉困惑或十足错误—正如运用Alexa，Google助手或全部数量的消费者扶持聊天机器人的人所晓得的那样。但或许不会太久。

Salesforce.com Inc.的探讨团队今日宣告了一篇论文，概述了改进这类概况的方法。本文将在7月29日至8月的计算言语学协会年会上发表。2在佛罗伦萨，探讨人士 提议不但运用来源各式数据集的数据来训练神经网站模子，以如何明确地回答众多难题，况且还要解释为何这点谜底是最好的。

Salesforce聘请了Amazon.com Inc.的Mechanical Turk众包效劳人士，以例如讲明本年早些时刻由特拉维夫大学和艾伦人力智能探讨所的探讨人士提议的知识问答或CQA数据集。

Salesforce首席科学家Richard Socher叮嘱SiliconANGLE：“根本上，它可行提取大批没有人看管的[未标志]文本，从该文本中提取知识，并为其提供推理。”

Salesforce探讨科学家Nazneen Rajani补充说，令人惊讶的结果是，仅在模子训练阶段见到人为推理的示例后，神经网站在真正测试中的体现要好得多。她在博客中写道：“咱们推测这点解释捕获了相关全球运行形式以及网站在测试时依据这点消息发展推理的有价格的消息。”

在探讨的第二部分中，探讨人士(包括Salesforce Research的Bryan McCann和Xiong Ximing在内)都训练了第二个神经网站，不过为了学习如何从大批阅读的模仿CoS-E的人类文本的文本中生成知识性推理。发生的解释。这种知识自动生成的解释或CAGE构架在回答的明确性方面做得更好，虽然它依然远远落后于人类95%的明确度，但65%的分数超越了其它全新方法。

麦肯显示，他期望随着模子对全球常识的熟悉，结果会更好。他期望这点解释将随着时间的推移“填补空白”。

Salesforce在论文中承认，还须要改良的另一种范畴，这几天从实验室到华盛顿特区都引起了越来越多的关心：根除数据中的偏差，从而消除了模子中的偏差。比如，在CQA中，Salesforce探讨人士注意到“显著的性别差异和偏见，在负面语境中运用的女性代词比重更高。”

拉贾尼说，尽管可能须要在模子中而非是数据中产生，但尚不明白如何解决这类偏差，日前尚没有办法清除全部偏差。McCann补充说：“咱们想探讨一个降低偏见的旋钮，”但至少新事业为神经网站如何解决这类偏见提供了更没有问题解释。