复杂的 AI 模型具有多功能性，能够预测哪些患者可能患上乳腺癌，并从眼部扫描中发现青光眼的早期迹象等。但它们有一个共同的缺点：缺乏常识性推理。一种解决方案是枚举逻辑并将其应用于给定的 AI 模型的决策，但这种方式不但耗时单调，且并未考虑概率启发式的例外情况。Salesforce 的科学家们研究了一种替代方法，在 2019 年计算语言学协会年会收录的一篇论文中详细说明培训一个关于常识推理的解释序列和强调注释的系统。他们提出了一个新的开源语料库——常识解释（CoS-E）——用于训练和推理一个新颖的机器学习框架（常识自动生成解释，或 CAGE）。他们说这提高了问答基准的性能，比基线高出 10％，并证明了在域外任务中推理的能力。（VentureBeat）