有了知识图谱以后可以做很多事情，比如做知识解答，问谁是贾斯汀比伯的姐姐，就可以通过语义解析和搜索匹配得到答案。
2、让AI以人类理解的方式表达。
就是让AI产生内容，理解人类。举个例子，我们都知道人工智能可以写诗现在已经不是新闻了，人工智能还会画画，还可以做一些文本摘要，甚至可以做一个菜谱。所以我们对人工智能要求越来越高，希望人工智能不仅能理解我们说什么，还能反馈一些内容。
还有怎么样用增强学习在自然语言里面做应用。在增强学习里面AlphaGo是一个很好的例子，我们认为自然语言理解是比AlphaGo下围棋更难的问题，因为语言的空间是无限大的，围棋的空间很大，其实语言空间比围棋还要大。语言的空间是无限的，特别就行动空间而言，而围棋每一步只能在361个点上选择任意一点。
为了解决这个问题，我们不能像AlphaGo一样直接去判断，在语言对话问题里面，一个H就是机器说了一句话，或者机器选了一句话，因为这个话的表达是千变万化的，这个H是没有边界的。所以不是说我们让机器选某一个H，而是说把所有的H通过一个神经网络映射到一个语义空间，在这个语义空间里面计算什么时候应该选哪个H，最后这个H才能在一个语言的环境里面做深度学习。
人类理解跟计算机理解是不一样的，很多时候计算机的理解逻辑更像做一些匹配，包括关键字查找、语义分析。不管怎么说，在这个数据集上很多最新模型已经超过人的水平了。甚至我们还提出新的如何作迁移学习的模型，即怎么样把一个模型从一个领域迁移到另外一个领域，这样才能迅速达到很高的水平。
还有一个做的比较大的方面，是机器阅读，我们希望AI读完一篇文章以后，它能够回答关于这篇文章的任何问题。计算机要对这些前后关系有一个充分理解，然后得到一个准确的答案。这个方面也有很大的进展，斯坦福做了一个数据集，最近他们出了2.0版；最近很多企业这方面做的也不错，比如科大迅飞，谷歌，微软，阿里等。
下一步突破
1.多模态智能
