例如，对于相同的语义，不同语言和方言的相应反馈可能会有所不同，甚至对于在不同环境中长大的同一语言的人以及在不同年龄段和不同情感状态的同一人，反馈可能会有所不同。最近，斯坦福大学人工智能实验室（SAIL）发布了一个博客，介绍了其两篇ACL2020论文。基于BERT等神经语言模型的最新突破，这两项研究指出了一个有希望的新方向：使用语言解释来协助NLP甚至计算机视觉领域的学习任务。简而言之，它用于自然语言处理（NLP）和计算机视觉领域中的各种艰巨任务。他们首先用语言解释这些任务，然后使用深度神经网络模型学习这些语言解释，然后帮助解决这些任务。实际上，现代深度神经语言模型（例如BERT）已显示出解决多种语言理解任务的潜力。因此，SAIL在这两篇论文中提出了使用神经语言模型来缓解这些基本问题的方法。这些神经语言模型或者将相关领域中的语言解释确定为目标，或者使用通用的“知识”作为目标。可以解释语言解释以进行预培训。第一篇论文研究了如何使用语言解释来构建文本分类器，即使用自然语言解释来帮助解决单个任务。基于此，研究人员提出了ExpBERT模型，该模型使用针对文本暗示任务训练的BERT模型。 BERT在此过程中输出的特征可以替换上述语义分析器提供的指示性特征。第二篇论文提出了一种称为语言塑造学习的方法（LanguageShapedLearning / LSL），该方法在训练过程中使用语言解释，不仅可以提示模型学习用于分类的有用表示，而且可以使用该表示来预测语言解释。语言的精致表现出人类的精致。要克服语言的技术束缚，人工智能还有很长的路要走，但是研究仍在进行中。在人工智能获得语言能力之前，社会还将精心设计其技术，这也是技术时代必须面对的问题。