如果我们希望和机器交流，我们需要在和我们自己尽可能相似的环境中训练他们。且不能仅仅是对话！（Harnad[1990] ）为了理解“鸡”，我们需要机器尽可能多的得到关于“鸡”的经验。当我们说出“鸡”的时候，我们不仅仅指的是那种鸟类，我们指的是所有我们可以对它做的事情，以及它在我们文化中的所有含义。

　　这个方向已有很多工作：

　　首先，是在工业界——

　　1.OpenAI

　　世界: 在 VNC(远程桌面)的屏幕上训练

　　现在是通过Grand Theft Auto(侠盗车手)!

　　（https://openai.com/blog/GTA-V-plus-Universe/）

　　2.Google

　　Mikolov et al., A Roadmap towards Machine Intelligence(机器智能路线图).

　　他们定义了一个人工环境. （https://arxiv.org/pdf/1511.08130v2.pdf ）

　　3.Facebook

　　Weston, 应用于对话的记忆网络https://arxiv.org/pdf/1604.06045v7.pdf

　　Kiela et al., Virtual Embodiment: A Scalable Long-Term Strategy for Artificial Intelligence Res（虚拟实体化：人工智能的可拓展长期战略）. 提倡“有目的地” 使用视频游戏https://arxiv.org/pdf/1610.07432v1.pdf

　　当然还有学术界——

　　1.Ray Mooney

　　文本到局面的映射

　　2.Luc Steels

　　具有词汇量和简单语法的机器人

　　3.Narasimhanet al.

　　训练神经网络来玩基于文字的冒险游戏

　　https://arxiv.org/pdf/1506.08941v2.pdf

　　但是，我们需要针对现实世界的更多训练：

　　也许在Amazon Alexa 有了一个摄像头以及一颗可以转动的脑袋之后？没有了老师的教益，我们还能走多远？

　　我们可以将目光作为信息的来源吗？

　　——Yu and Ballard, [2010]

　　从NLP到AI的两条路径

　　最后的思考

　　开放问题：

　　从商业视角来看，需要使用常识和逻辑推理的，最简单的任务是什么？