1.深度学习之于自然语言处理，有其局限性。刘群教授认为尚未解决的这些问题最终是由深度学习的四大边界——数据边界、语义边界、符号边界和因果边界所共同造成的。要想在这些尚未解决的问题上寻找突破，需要从深度学习的这些边界出发，去探索新的解决方案。

2.深度学习解决了自然语言处理的词语形态问题、句法结构问题、多语言问题、联合训练问题、领域迁移问题以及在线学习问题。

3.基于深度学习的自然语言处理，其边界在哪里？ 刘群教授认为深度学习有几个重要的边界：数据边界、语义边界、符号边界和因果边界。

4.人工智能在很多领域都大获成功，其中在围棋、电子竞技等项目上获得的成功最大，包括早期还没有深度学习乃至统计方法时，在 Winograd 系统上就很成功了，为什么会取得这么大的成功？这是因为这些领域能够对客观世界的问题进行精确建模，因此能做得很好；而现在自然语言处理系统大部分都无法对客观世界进行精确建模，所以很难做好。另外比如像智能音箱、语音助手系统能够取得一定成果，很大程度上也是因为这些系统对应着明确定义的任务，能对物理世界建模，不过一旦用户的问话超出这些预定义的任务，系统就很容易出错。 机器翻译的成功是一个比较特殊的例子，这是因为它的源语言和目标原因的语义都是精确对应的，所以它只要有足够的数据而并不需要其他的支撑，就能取得较好的效果。

5.听众提问：在统计机器翻译时代，有分词分析、句法分析以及语义分析等共性任务，那在神经网络机器翻译时代是否也有这样一些共性任务呢？
刘群：显然是有的。
一个是预训练语言模型，它实际上就是在将语言当成一个共性任务来处理，其之所以现在取得这么大的成功，我认为某种程度上就是因为这种共性任务的处理方式。
第二个是知识图谱，它其实也是一种共性任务，这个领域的研究者做了这么多年的研究，我认为是非常有意义的，所以我们现在也在想办法将知识图谱和自然语言处理结合起来做研究。