日报标题：听到「我把拿着望远镜的她锯得弯下了腰」， Siri 懵了
张少典，不想创业的计算机科学家不是好医生
Siri 其实说白了是两个子部分构成，一个就是语音识别，另一个就是识别后的自动问答。而自动问答最主要依赖的技术就是自然语言处理（NLP）。自然语言处理说白了就是让机器跟人一样读懂语言，并且依据此生成必要的输出。楼主说的两个问题其实都是机器在自然语言理解上出了问题。
自然语言处理所有的困难，归根结底就是一个问题：二义性（ambiguity）。
这种二义性，体现在语法、句法、语义的各个方面。
举个最经典的栗子，也是英文 NLP 算是最常被引用的一个二义性例子：
I saw her duck with a telescope
请大家先努力的读三遍这个句子，确保明白了它的含义。
然后我们开始讲故事。
按照天朝人民的平均英语能力，大多会自然的理解成：
I saw her duck with a telescope
我用望远镜看到了她的鸭子
也就是介个样子：
英语稍微好一点的童鞋，会知道 saw 还有“锯”的意思，于是这个句子就变成了类似这样的意思：
不过，和这个图不同的地方在于，锯鸭子用的不是锯子，而是一把望远镜。
I saw her duck with a telescope
我用望远镜锯她的鸭子。
到这里内心已经能感受到一丝丝凌乱和狰狞。
想象力再丰富一点的童鞋，可能还会畅想一种伟大的场景同样也符合这个句子的描述。那就是这个鸭子是个神鸭子，是个会拿望远镜的鸭子。于是就衍生出了 NLP 界最著名的句法二义性问题 pp attachment 问题，也就是介词性短语（with a telescope）到底修饰的是谓语 saw 还是宾语 duck。如果修饰的是 duck，那么上述的两种情形就会变成：
I saw her duck with a telescope
我看到她的鸭子拿着一个望远镜。
以及
I saw her duck with a telescope
我锯了她的一只拿着望远镜的鸭子。
脊背发凉啊我勒个去
不过这还远远没有完……
考过 GRE 的童鞋会跳出来指出，其实就连 duck 在这里都可以还有另一个合理的意思，来来来一起查词典：
也即是“弯腰”的意思。
这下好，上面已经提到的四种意思，一下子又能各自出现一个变种。其中前两个还算正常：
I saw her duck with a telescope
我用望远镜看到她弯下了腰
I saw her duck with a telescope
我看到她拿着一个望远镜弯下了腰
然后就越来越丧心病狂：
I saw her duck with a telescope
我用望远镜把她锯得弯下了腰。
I saw her duck with a telescope
我把拿着望远镜的她锯得弯下了腰。
尼玛，人家姑娘只不过拿了个望远镜，招你惹你了。
各位可以发现，每一个二义性，都会使得句子的可能意义的数量指数级上升。虽然其中大多数意义极少被使用，但对于机器来说，是很难做出有效判断的。就上述例子而言，我用望远镜看到她弯下了腰和我用望远镜看到了她的鸭子，都是英文文本中非常可能出现的意义。而这种二义性只有通过上下文才能够消解。而人类是因为拥有一些常识（所谓 priori 或者 common sense），所以能排除掉那些明显不合理的可能。
同理，如果我们搞的再复杂一点：
I saw her duck with a telescope in the garden.
二义性会指数级的爆炸。因为 in the garden 可能修饰的是 I，可能是 her，可能是 duck，可能是 telescope。最荒谬的意义可能就是：我把拿着花园里的望远镜的她锯得弯下了腰。
到这里大家应该可以看到，pp attachment 问题是英文二义性问题的重要来源。从 NLP 的角度来说，很多时候就会导致所谓 non-projective dependency 的场景（请自行参阅相关论文）。在中文中，由于介词短语通常都会紧紧的 attach 在被修饰对象之前，因此这个问题可以说几乎不存在。所以在中文 NLP 中，更多的还是词性和词义本身的二义性造成的。
比如题主所举的两个例子，一个是词性理解差错（以为回家是名词；如果不是没理解什么是滴滴打车的话），一个是语义理解差错（以为出租车是一个日程安排）。在缺乏上下文，只有一个单独的问题，又缺乏相应使用历史的时候，这种二义性是极其难以被消解的。
所以大家真的不要为难 siri 了，她是真的不了解你啊。
最后说说我所从事的医疗 NLP。我们天天打交道的，就是大家一直觉得跟天书一样的病历：
……
其实，手写病历的识别是个计算机视觉问题，并不属于自然语言处理范畴。医院的电子化，给我们这些 NLP 狗带来了重大利好。终于有美丽整齐的文本可以处理啦：
看到这里，NLP 汪们深深的松了一口气。
可惜，想象和现实总是有差距的。医生不会因为放下笔头、拿起电脑，就变成圣人。该 NLP 买单的，还是得买。
“唇稍绀”是什么鬼？
“臂丛 + 腰硬”是什么黑科技？
还有离谱的
主诉：尿尿尿不出尿来 3 天
动不动还能搞出这种：
全身浅表淋巴结未触及肿大，头颅无，五官端正
头都没了你还治个什么鬼？
一般而言，病历 NLP 是不需要做句法分析的，因为医生的用语往往都简单异常，掐头去尾，用大量的并列短语来简介的概括一段事实。没有必要识别什么主谓宾定状补。
于是 NLP 汪们兴高采烈：不用做 parsing 啦！
直到有一天遇到这么个病历：
主任冒着漫天大雪，一步一步的走入病房，紧紧的握住病人的双手，亲切的问道：好点了没？
#教你如何用尽量长的句子表达尽可能少的意思#
NLP 汪们也经常会说，病历语义明确，不需要做共指代消歧义！（共指代消歧义就是说在类似“奥巴马上了车，他头很痛”这样的句子中，识别出“他”指代的对象是奥巴马）
直到有一天遇到这么个病历：
今查房，症状同前，体查同前，治疗同前
好啦，话归正题，其实医学 NLP 和前面说的普通 NLP 一样，最主要要解决的就是二义性问题。比如，呼吸音粗和小腿变粗，虽然都是粗，但是临床意义是完全不同的。
另一种二义性的反向体现，就是一个意义有无数种表达，比如巴宾斯基症这么一个体征，我们可爱的医生们就能写出五百种写法：
巴林斯基征、巴氏征、巴宾斯基征、巴宾斯基、babinski 征、巴彬斯基征、babinskisign…
#我知道你们忙，但你们能不能稍微认真点。。#
事实上，我们医学 NLP 汪，就是想帮中国的医生们，一方面不用再忍受写病历的折磨。你们随心所欲，我们来收拾烂摊！另一方面，你们写了这么多病历，总要产生点价值吧？有了 NLP，你们埋藏在病历中的知识宝藏（希望不是糟粕……），就都能被挖出来咯！