First Dataset

例如，他们在语言的语义（含义）和语法（表达、表面形式）之间划了一条清晰的界线，并认为纯概率的语言建模不能代表底层语义，因此不可能产生真正的“智能”解决方案。这种方法的一个大问题是，它会导致人工智能应用程序非常复杂、难以维护、难以扩展，因此随着时间的推移，研究已经转向数据驱动的 机器学习 范式，我们让模型从数据中学习，而不是手动执行规则。

另一方面，我们有一个深度学习社区，它席 法国手机号码数据 卷了人工智能领域。本质上，我们不是一砖一瓦地从头开始构建一个智能系统，而是向它投入大量数据，并要求它使用 方法从这些数据中学习，但我们不知道它们最终会学到什么，除了单词连续出现的概率以及它们对底层概念的“理解”程度。

最终，我们试图探索这些模型的知识，以更好地理解它们，并在更受控制的数据集上对它们进行微调，使它们的分布朝着期望的结果转变。因为我们不知道也不理解这些模型的知识深度，也不知道如何控制它们或可靠地纠正它们，所以很难保证它们产生的结果的质量，因此很难在这些模型之上构建可靠的应用程序。 法层面模仿有意义的反应，但在语义层面上却相当冒险。

尽管我们希望有一个端到端的解决方案，只需训练一个模型，一切就会奇迹般地运转起来，但我们最终做的是一个相当复杂的工程解决方案，我们试图将手工制定的规则编织到基于机器学习的应用程序中，或者将 与更小的、更确定性的模型相结合，以帮助缓解 不受约束的性质。