Persoonlijke AI-assistenten die kunnen onthouden en redeneren over verschillende contextuele informatie lijken altijd"klaar om uit te komen", maar tot het einde van het Jaar van de Rat zijn dergelijke AI-assistenten nog niet gerealiseerd . Evenzo, hoewel machine learning grote vooruitgang heeft geboekt, verlaat het"human" assistentie, het autonome systeem is nog steeds moeilijk te zijn"intelligent"-het is onmogelijk om gegevens te verbinden en modellen te integreren in verschillende leerprocessen om domeinoverschrijdende overdracht van ervaring te bereiken.
Als het doel van AI is ingesteld als een optimalisatiefunctie om domeinproblemen op te lossen, dan zijn we elke dag vooruitgegaan. Veel specifieke problemen die als moeilijk te bereiken werden beschouwd, worden opgelost door optimalisatie, vooral de backpropagation van diepe neurale netwerken (DL), waarvan is bewezen dat ze effectief zijn en veel verder gaan dan menselijk. Computervisie, machinevertaling, spraakherkenning, schaakspel, e-sport en vele andere gebieden zien eruit alsof nieuwe kunstmatige intelligentie snel wordt" gedomesticeerd" op een allround manier.
Zoals het gezegde luidt:"Benijd de aarde niet vanwege de storm, en de wereld is vol crises." Het gemeenschappelijke defect van dit type"domesticatie" is dat leren alleen plaatsvindt voordat het model wordt geïmplementeerd. Maar in feite is realtime leren de intelligente weergave van dieren' overlevingsvoordeel. De ruggengraat die machine learning ondersteunt, is daarentegen een smalle leerfilosofie. Als we dieper kijken, zijn alle offline optimalisatieproblemen in wezen gebaseerd op evolutie in plaats van individuele wijsheid. Bijvoorbeeld, ervan uitgaande dat een bepaalde genetische code is geïmplanteerd, kunnen genetisch gemodificeerde vuurvliegjes specifieke prooien nauwkeurig detecteren en met succes prooien. In dit geval kan Firefly overeenkomstige vaardigheden hebben zonder realtime leren. Evenzo, zolang modules met vooraf ingestelde functies zoals navigatie, positionering en objectdetectie vooraf zijn geïnstalleerd of de parameters offline zijn geoptimaliseerd, moet het autonome voertuig onderweg kunnen rijden.
Vandaag de dag heeft de reguliere kunstmatige intelligentie nog geen overtuigend antwoord gegeven over hoe je kunt overschakelen van offline optimalisatie naar snel en betrouwbaar realtime leren. Maar dit is niet alleen een kwestie van de aard van intelligentie, maar ook van de oorspronkelijke bedoeling van kunstmatige intelligentie. Net als dieren die in de wildernis leven, kan kunstmatige algemene intelligentie (AGI) tijdens runtime omgaan met onvoorziene situaties. Snel en betrouwbaar aanpassingsvermogen kan niet alleen de praktische ontwikkeling van een nieuwe generatie robots en persoonlijke assistenten bevorderen, maar moet ook worden beschouwd als de"kernpuzzel" van de theorie van intelligentie.