Siri，是一个复杂的系统，是由语音识别，语义分析，知识库，搜索等不同的模块构成的。涉及到很多方面的知识。英文中它叫做Natural Language Understanding. 斯坦福大学的这门课是关于这个的，比较全面的介绍了不同的知识。自然语言理解中还有一个比较重要的就是语义的理解，可以研究Computational semantics相关的内容。TFIDF是信息检索中常用的基于统计的方法，虽然在文档检索中有很好的表现，但是在语义分析中并不是很有效。相比之下，LSA也是基于统计的，可能更好一点。也有用topic model来做语义分析的，比如LDA算法。个人比较看好结合知识库和统计的方法，Watson就结合了知识库，谷歌的Knowledge Graph就是一个知识库，它是以freebase为基础的，有一个不错的免费的知识库叫DBpedia,它是基于wikipedia的。
要有针对性地回答该问题，需先将它的议题边界进行明确定义。如果将该问题理解为如何利用计算机工具处理和分析自然语言，以实现人与计算机通过自然语言进行的有效沟通，那么可以得到一个相对狭义的回答；如果要梳理“人工智能”、“理解”、“自然语言”等问题中的概念，另一方面，现有的人工智能在理解自然语言的处理机制方面与人脑存在巨大的差异，那么是否意味着人工智能在自然语言理解的发展存在着难以克服的瓶颈呢？答案未必这样悲观。如果我们审视人类自身，会发现语言与思维的产生不仅与人脑基础的神经连接结构有关，也受到外界语言环境激励的影响。如果将联结主义和行为主义的思想结合起来，以仿生模拟的方式来“调教”机器智能体，就像教育儿童习得语言那样以交互激励的方式学习语言，那么经过很多代的更新和迭代后，机器智能体可能会进化出自己的语言习得装置，产生特异化的语言模式，而这些语言模式在表征上以分布式的形式存储于神经权值网络之中，使得人类理解起来异常困难。就像AlphaGo战胜了世界围棋高手，但是它的出棋策略已经很难被制造者所理解。采用仿生学模拟的方式让机器进化，意味着创造者对机器放弃了一定的控制权。正如凯文·凯利在《失控》中所说，一旦让机器进化出了智能，那么其代价是人类终将失去对机器的控制。人类可能最终不仅不理解人脑中语言与思维的产生机制，也难以理解机器智能体中的语言和思维是如何形成的。
