Osobiści asystenci AI, którzy potrafią zapamiętywać i rozumować na temat różnych informacji kontekstowych, zawsze wydają się być&„gotowi do wyjścia &”, ale do końca Roku Szczura tacy asystenci AI nie zostali jeszcze zrealizowani . Podobnie, chociaż uczenie maszynowe poczyniło ogromne postępy, kiedy opuszcza"człowiek" pomocy, autonomiczny system wciąż jest trudny do bycia&„inteligentny &” – niemożliwe jest łączenie danych i integrowanie modeli w różnych procesach uczenia się w celu osiągnięcia międzydziedzinowego transferu doświadczeń.
Jeśli celem AI jest funkcja optymalizacji do rozwiązywania problemów domenowych, to z każdym dniem posuwamy się do przodu. Wiele konkretnych problemów, które uważano za trudne do osiągnięcia w przestworzach, rozwiązywanych jest przez optymalizację — zwłaszcza wsteczna propagacja głębokich sieci neuronowych (DL), która okazała się skuteczna i znacznie przekracza możliwości człowieka. Wizja komputerowa, tłumaczenie maszynowe, rozpoznawanie mowy, gra w szachy, e-sport i wiele innych dziedzin wygląda na to, że nowa sztuczna inteligencja jest szybko"udomowiona" w sposób wszechstronny.
Jak to się mówi,&„Don'nie zazdroszczę ziemi z powodu burzy, a świat jest pełen kryzysów.&cyt; Powszechna wada tego typu"udomowienie" polega na tym, że uczenie ma miejsce tylko przed wdrożeniem modelu. Ale w rzeczywistości uczenie się w czasie rzeczywistym to inteligentny pokaz zwierząt' przewaga przetrwania. Natomiast podstawą wspierającą uczenie maszynowe jest wąska filozofia uczenia się. Patrząc głębiej, wszystkie problemy z optymalizacją offline opierają się zasadniczo na ewolucji, a nie na indywidualnej mądrości. Na przykład, zakładając wszczepienie określonego kodu genetycznego, genetycznie zmodyfikowane świetliki mogą dokładnie wykryć konkretną zdobycz i skutecznie ją polubić. W takim przypadku Firefly może posiadać odpowiednie umiejętności bez uczenia się w czasie rzeczywistym. Podobnie, o ile wstępnie zainstalowane są moduły z zaprogramowanymi funkcjami, takimi jak nawigacja, pozycjonowanie i wykrywanie obiektów lub parametry są zoptymalizowane w trybie offline, pojazd autonomiczny powinien być w stanie jeździć w ruchu.
Dzisiaj sztuczna inteligencja głównego nurtu nie dała jeszcze przekonującej odpowiedzi, jak przejść z optymalizacji offline na szybką i niezawodną naukę w czasie rzeczywistym. Ale to nie tylko kwestia natury inteligencji, ale także pierwotny zamiar sztucznej inteligencji. Podobnie jak zwierzęta żyjące w dziczy, sztuczna inteligencja (AGI) może radzić sobie z nieprzewidzianymi sytuacjami w czasie pracy. Szybka i niezawodna adaptacyjność może nie tylko promować praktyczny rozwój nowej generacji robotów i osobistych asystentów, ale także powinna być uważana za&„podstawową układankę”" teorii inteligencji.