虽然电脑视觉（Computer Vision）通过深度学习（Deep Learning）技术取得了重大进展，但在自然语言处理（Natural Language Processing）领域，深度学习的导入仍然处于发展初期。
以聊天机器人（Chatbot）来说，自从图灵测试在2014年被聊天机器人Eugene通过后，加拿大学者改进测试的缺失提出了威诺格拉德架构挑战赛（Winograd Schema Challenge），也是目前最具权威的AI竞赛。
该竞赛的第一轮是代词消歧问题（Pronoun disambiguation problems）。举例来说，当人类分析句子时，会用经验来理解指代的对象：
- 市议会拒绝示威者，因为他们害怕暴力。
- 市议会拒绝示威者，因为他们提倡暴力。
而这个选择题只有两个答案，代词”他们”是指”市议会”还是”示威者”，AI应该要指出在第一句说的是市议会，第二句说的是示威者，从问题上可以发现，系统无法通过这段话的上下文进行理解得到答案，这在传统实作上必须通过知识图谱（Knowledge Graph）进行推理，或使用深度类神经网络模型，要通过比赛拿到奖金25,000美金，准确率（Accuracy）必须达到90%以上，但目前最好的成绩只有58%，远比人类低得多。
除了上述根本影响Chatbot问答品质的问题，还有几个难题仍未被突破：
- 通用的模型架构（Universal Model Architecture）：为了集成语音辨识、词法分析、句法分析、语意分析、深度学习，答案搜索，对话管理、自然语言生成和语音合成等模块，确保其兼容性，当前Chatbot架构与模型相当复杂，管理较为困难，如何研发通用的架构与模型，是未来所有同业的发展目标。
- 情感计算（ Affective Computing ）：从分析文本的情感 （Sentiment Analysis）到辨识人类情绪的情感计算，例如开心、生气、哀伤等；可以让Chatbot与人交互时更有温度，是目前产学界热门研究方向。
- 开放领域（Open Domain）：现在的Chatbot只能做好特定领域的工作，如何建构开放领域的知识，甚至不需要人工建构知识，让机器自学习，也是产学界正在努力的方向。
- 端对端 （ End to end ） ：不经过传统的模块串联，利用深度学习 （ Deep Learning ） 创建端对端的简洁模型；达到输入原始数据后，可直接得到想要的输出结果，但与此同时还要支持多轮对话管理、上下文情境及知识图谱推理，避免安全回答，甚至是保持Chatbot个性的一致性，正确的进行指代消解，这些挑战都是产学界近期的目标。
- 基于生成的模型（Generative Model）：目前自然语言生成技术 ，可分为基于检索、基于范本及基于生成方法，三者都可以导入深度学习技术，目前以基于检索及基于范本为业界主流；而基于生成方法尚处早期发展阶段，空间和时间复杂度高，但其深度学习Seq2seq模型非常适合生成文本，相信随着算力提升，将逐渐成为显学。
