人工智能在处理涉及语言的任务方面已经走了很长的路，但它仍然缺少我们人类认为理所当然的大部分细微差别和背景。
由于深度学习的进步 - 通过查找数据点之间的相关性来解决问题的AI子集 - 计算机已经非常擅长处理涉及语言处理和生成的任务。
机器人，看起来和声音人类，数字助理，可以代表我们打电话和预订餐厅桌，电子邮件应用程序，可以准确预测和完成我们的句子，翻译应用程序可以为您提供近实时翻译，机器人可以产生新闻故事 - 它们全都是人工智能。
所有这些发展都可以给人一种人工智能掌握语言的印象，这是人类思维中最复杂的功能之一。但是人类和人工智能处理语言的方式之间存在根本区别，而不理解它们可能会对人工智能的语言处理能力产生错误的期望。
该领域的进展是真实的
早期的自然语言处理方法（NLP）涉及大量手动编码。例如，如果要构建将一种语言翻译成另一种语言的应用程序，则必须创建一个完整的软件库，该软件库定义规则以提取句子中不同单词的功能，将这些单词映射到其目标语言，并生成一个语义和语法都正确的句子。这个过程漫长，痛苦且容易出错。
深度学习使用一种根本不同的机器翻译方法。基于深度学习和神经网络的翻译提取了大量潜在模式，显着提高了先前方法中句子翻译的质量。
深度学习算法的基本组成部分是神经网络，这是一种大致依赖于人类大脑获取知识的软件结构。为神经网络提供一组英语句子及其相应的法语翻译，并提取示例之间的常见模式，并使用它们翻译以前从未见过的新句子。所以没有必要硬编码规则。
深度学习对语言的有限把握
可以在不理解其含义的情况下翻译句子。这对于人类翻译来说可能听起来很荒谬，但对于计算机来说，差异是非常真实的。
机器翻译与理解源语言和目标语言无关。深层学习的核心是模式匹配算法。当它发现新句子与其训练过的例子之间存在相似之处时，它可以提供准确的翻译。否则，正如帕特森指出的那样，它可能会产生毫无意义的结果。
一个相关的问题是当训练数据和实际运行时间数据之间存在漂移（或变化）时系统的稳健性。
尽管取得了进步，但目前人工智能的所有混合 - 包括深度学习 - 都是狭隘的人工智能，这意味着他们可以执行他们所接受的非常具体的任务。与能够概括知识并将概念从一个领域转移到另一个领域的人类不同，神经网络在应用于偏离其专业领域的任务时表现不佳。
科学家和研究人员正致力于研究可能与深度学习相辅相成的不同技术，或使神经网络不仅仅能匹配模式。事实上，自然语言处理是一项非常复杂的任务。有些人认为真正的NLP需要一般的人工智能，人工智能与人类思维相提并论。这是无处可见的。在此之前，我们必须承认深度学习的局限性，以充分利用我们在教授计算机用我们的语言讲话方面所取得的巨大进步。
