不同于NLP，数据驱动方法与机器学习无法攻克NLU，原因有三点( 四 )

上图中所有表达式的值都是16 ，在某种意义（它们的值）上来说是相等的，但这只是属性之一。事实上，上面的表达式还有其他几个属性，比如语法结构（为什么a和d是不同的）、运算符的数量等。其中值只是一个属性，可以称为扩展（extension），而所有属性的集合是intension 。在应用科学（工程、经济学等）中，我们可以认为这些对象是相等的，如果它们在值上是相等的，但在认知中，这种相等是不存在的。举例来说：

假设(1)是真的——也就是说，假设(1)确实发生了，并且我们见证了它。尽管如此，这并不意味着我们可以假设(2)为真，尽管我们所做的只是将(1)中的16替换为一个（假设），而该假设等于它的值。我们用一个假定等于它的对象替换了陈述中的一个对象，并且我们从真实的事物推断出不真实的事物！虽然在物理科学中可以很容易地用一个属性的对象来替换它，但这在认知中是行不通的。
总结来说，本文讨论了机器学习和数据驱动方法与NLU无关的三个原因（尽管这些方法可能用于一些本质上是压缩任务的文本处理任务）。在传达思想时，我们传递的是高度压缩的语言信息，需要大脑来解释和揭示所有缺失但隐含的背景信息。在很多方面，构建大语言模型时，机器学习和数据驱动方法都在徒劳地试图寻找数据中根本不存在的东西。我们必须意识到，日常的口语信息，并不是理想的语言数据。
【不同于NLP，数据驱动方法与机器学习无法攻克NLU，原因有三点】原文链接：https://thegradient.pub/machine-learning-wont-solve-the-natural-language-understanding-challenge/