作为人类，当我们解释语言时，我们依赖于一堆背景知识来解释和推断不仅关于语言，而且还关于我们周围的世界。许多资料来源将常识推理定义为：“感知，理解和判断几乎每个人共享的事物的基本能力，几乎每个人都可以合理预期这一点，而无需辩论。”没有这种能力，人类将无法在世界上成为现代生存者，因为他们会做一些对自身生存有害的事情。现代人工智能技术缺乏常识。当前正在研究共识推理领域的研究人员正在解决这一差距。常识推理是一个广泛的领域，适用于计算机视觉和机器人技术。但是，自然语言处理（NLP）开展了很多活动，最近由于DARPA竞赛的启动而得到了加强，该竞赛是美国军事研究的一个分支。竞赛的目标是：“创建一个从经验中学习并模仿由发展心理学定义的核心认知领域的计算模型”。以及“建立可回答自然语言和基于图像的关于常识现象的查询的常识知识库”。通过互联网阅读。 ``人工智能代理的想法被艾伦研究所命名为AI2。艾伦研究所（Allen Institute）由Microsoft的保罗·艾伦（Paul Allen）创立，并在Mosaic项目下进行常识推理。 Mosaic项目涵盖了Darpa竞赛的所有目标，包括：视觉常识推理，常识知识图和具有对抗性产生的情况。视觉常识推理是一种挑战，其中AI技术试图理解诸如“为什么人在笑吗？”之类的事物。 ＆quot;这样的场景。挑战性问题通常是视觉场景，问题和许多答案。候选技术不仅需要了解场景，还需要了解问题和答案以及它们与场景的关系。常识知识图谱是一个众所周知的社会，并且已经进行了许多尝试来实现常识。性知识被编码为一个本体或相关结构。最著名的是Cyc，它自1984年以来一直在开发中。它试图捕捉有关“世界如何运转”的陈述，而人类则用它来推理日常情况。针对性行为情境是艾伦研究所（Allen Institute）发明的一项新任务，该任务评估自然语言推理，从中可以推断出技术可以推断出日常情况的逻辑结果。艾伦研究所（Allen Institute）发起的数据集中的一个典型问题是：该人使用鼓风机从草地上吹树叶。鼓风机...”然后，该技术可以选择四个答案。 DARPA竞赛和艾伦研究所（Allen Institute）并不是该领域的唯一挑战。这些挑战中有许多是基于NLP的任务，其中候选技术可以推断单词或句子的上下文。例如，Winograd挑战是一个主要挑战，那就是图灵测试，在该测试中，机器试图从句子中解释单词的含义。例如，“市议员拒绝了示威者的许可，因为他们[害怕] /拥护暴力。 “一个人会本能地知道答案令人担忧。该答案需要具备背景知识才能理解候选答案的背景和含义。对于机器来说，这个简单的示例很难响应，因为答案取决于背景信息。对AI使用常识性推理许多领域都有影响力。例如，机器人导航和操作。在这种情况下，具有常识功能的机器人无需明确编程或从以前的经验中学习就可以了解不进行某些活动和预测情况。人类对未来有了解。感知的能力是有限的，因为我们的感觉太慢，无法将信息传递到我们的大脑，因此我们的大脑必须根据当前信息来估计不久的将来。常识推理将使机器人能够做同样的事情。常识推理不限于AI。一个典型的科幻刻板印象，可以应用于世俗但同样重要的情况。例如，要拥有透明的AI，策略就必须能够解释其决策和结论。这被称为可解释的人工智能，可以说是社会认可人工智能的关键一步。普通话推理的应用和需求几乎是无限的。现有技术尚处于起步阶段。但是，常识推理是人工智能超越其当前有限功能的必要步骤。使机器具有最大质量的能力并不容易