想象下有这么一个场景，在你从墨西哥度假回来之后，在街上遇到了一个好朋友。

“假期过得如何啊？”你的朋友问道。

“很不错，我们对这次旅行非常满意，”你回答说，“那里并不是很潮湿，不过海水倒是有点儿凉。”

没有什么让人感到意外的，不是吗？你和你的朋友都知道，你谈到了当地的天气，因为你用了“潮湿”这个词，还有当地的海水，因为你用了“凉”这个词。现在你再想象一下同样的场景，但是交流的对象是一台计算机，那么会是如何呢？或许你会听到一些非常生硬的答案，比如，“是的，不是，正在计算中…..”之类的。

人类之间的交流和人机交流不一样，因为我们需要依靠语言背景和一些“不言而喻”的假设条件，比如，“水是湿的”，“大家都想要快乐”等等。我们也会知道，与自己对话的人也很清楚同样的道理。这个概念组成了交流的基础，让我们不仅可以快速、有效的进行沟通，还能进行深层意义的探讨交流。

如今的科技已经变得越来越先进，当科技已经变成社会中日常生活的一部分时，却出现了一个主要缺陷，即技术不会进行推理假设。

人们与电子设备的交流越来越多，比如手机和电视。但当我们和siri交流时，会发现“她”有时连一些简单命令都无法理解。为了让计算机更好地了解我们，我们需要在常识推理领域不断探索，因为没有它，无论是siri，谷歌眼镜，还是xbox，都无法进行智能对话。

什么是常识推理？

常识推理是人工智能中的一个领域，旨在帮助计算机更好地理解人类，以一种更加自然的方式与人类进行交流。它需要找到一些方法去收集交流背景假设，再把这些教给计算机。常识推理最成功的一个领域是自然语言处理（nlp）。而机器学习这一块，常识推理也正在悄悄滴渗透到不同的应用程序之中，比如文本理解，图片处理和理解。

没有常识，在这个日益增长的数字化移动世界里，很难构建适应性强的自动式自然语言处理系统。我们交谈时，会尝试使用一些有趣的交流方式，因此在进行人机对话的时候，我们也希望计算机能够跟上人类交流的步伐。

常识推理的应用比我们想象的要强大的多。如果问你长颈鹿能在办公室生活吗？就算从未见过长颈鹿在办公室里咀嚼树叶的场景，也肯定能快速回答出这个问题。这是一个很好的例子，你完全不需要完全了解这个世界，却知道如何应用自己对这个世界的认知，来处理之前从未想到过的事情。

常识系统具有高度自适应的能力。当有一个新单词出现的时候，我们会根据上下文的背景去理解，我们会用常识去猜测单词的含义，然后根据自己的猜测不断提炼含义。我们就是要开发一个具有类似功能的系统。学习一些复杂抽象的概念时，也可以通过对某一简单概念的类比，更好地去理解。这正是知名深度学习专家george lakoff在他《我们赖以生存的隐喻》（metaphors we live by）一书中所提到的理论，简单的概念就是常识。

常识推理的两个流派

在常识推理领域里有两个主要的流派，一边希望采用更加逻辑性，且基于规则的表现形式；而另一边则希望采用更多联想，且基于类比的推理，或是说“基于语言”的常识。后者虽然会产生一些模糊的结论，但是却更加接近自然语言的表现方式。不论你是否意识到，其实每天都在用上述两种系统进行交互。

你可能听说过ibm最新的watson电脑系统，它曾在美国著名的jeopardy节目上战胜过人类，不过很少有人知道watson的前身是一个名为cyc的项目，该项目是由doug lenat在1984年创立的，制造商是一家名为cycorp的公司。该公司开发了一个基于逻辑常识的大型数据库。目前这家公司仍然很活跃，也是世界上最大的逻辑常识项目之一。

在学术领域，基于语言的常识研究当属1999年创建的open mind common sense（omcs）和conceptnet项目。常识推理可以算是人工智能的一个分支，包括存储在纯文本中的信息和大型知识图。依靠众包，该项目在早期获得了成功，目前conceptnet项目内已经包含了多种语言的1700个常识点。

为什么现在常识推理如此重要？

在过去的几年里，机器学习领域有了长足的进步，比如基于矢量的机器学习和深度学习。他们也一直在推进基于语言的常识，这些技术让人机对话变得更接近于人类交流。

自然语言处理是常识推理最擅长的领域，这项技术也正在进军商业产品。尽管前方仍然有很长的路要走，常识推理在未来的几年里势必将会有快速发展，而且对于如今的企业来说，这项技术也已经足够稳定了。相对于现有本体（ontology ）和基于规则的系统，或一些简单的机器学习系统而言，常识推理有些明显的优势。

说不定用不了多久，你和自己的计算机之间就能像前文的对话那样，聊聊度假的事儿。当你告诉计算机墨西哥的海水很冷时，它可能会这样回答：“我很抱歉听到您说那里的海水很冷，不过每年这个时候那里的海水温度的确很低。不过我看到你拍摄的旅行照片，你穿着那件上周买的游泳衣很可爱。”

以上是网络信息转载，信息真实性自行斟酌。