Pembantu AI peribadi yang dapat menghafal dan menaakul tentang maklumat kontekstual yang berbeza selalu kelihatan seperti &; siap untuk keluar" ;, tetapi sehingga akhir Tahun Tikus, pembantu AI seperti itu belum disedari . Begitu juga, walaupun pembelajaran mesin telah mencapai kemajuan besar, setelah ia meninggalkan" human" pertolongan, sistem autonomi masih sukar untuk menjadi" cerdas"--mustahil untuk menghubungkan data dan mengintegrasikan model dalam pembelajaran yang berbeza untuk mencapai pemindahan pengalaman merentas domain.
Sekiranya matlamat AI ditetapkan sebagai fungsi pengoptimuman untuk menyelesaikan masalah domain, maka kita terus maju setiap hari. Banyak masalah khusus yang dianggap sulit dijangkau oleh langit diselesaikan dengan pengoptimuman — terutama penyebaran balik jaringan saraf dalam (DL), yang telah terbukti berkesan dan jauh melebihi manusia. Penglihatan komputer, terjemahan mesin, pengecaman pertuturan, permainan catur, e-sukan dan banyak bidang lain kelihatan seperti kecerdasan buatan baru dengan cepat" domesticated" dengan cara serba boleh.
Seperti kata pepatah," Jangan' iri bumi kerana ribut, dan dunia penuh dengan krisis." Kecacatan biasa dari jenis" domestication" adakah pembelajaran hanya berlaku sebelum model digunakan. Tetapi sebenarnya, pembelajaran masa nyata adalah paparan pintar haiwan' kelebihan survival. Sebaliknya, tulang belakang yang menyokong pembelajaran mesin adalah falsafah pembelajaran yang sempit. Melihat lebih mendalam, semua masalah pengoptimuman luar talian pada dasarnya berdasarkan evolusi dan bukannya kebijaksanaan individu. Contohnya, dengan mengandaikan kod genetik tertentu, kunang-kunang yang diubahsuai secara genetik dapat mengesan mangsa tertentu dengan tepat dan berjaya menjadi mangsa. Dalam kes ini, Firefly dapat memiliki kemahiran yang sesuai tanpa pembelajaran masa nyata. Begitu juga, selagi modul dengan fungsi pratetap seperti navigasi, penentududukan, dan pengesanan objek diprapasang atau parameter dioptimumkan di luar talian, kenderaan autonomi harus dapat memandu dalam perjalanan.
Hari ini, kecerdasan buatan arus perdana belum memberikan jawapan yang meyakinkan tentang bagaimana beralih dari pengoptimuman luar talian kepada pembelajaran masa nyata yang pantas dan boleh dipercayai. Tetapi ini bukan hanya persoalan mengenai sifat kecerdasan, tetapi juga niat asal kecerdasan buatan. Seperti haiwan yang tinggal di padang gurun, kecerdasan am buatan (AGI) dapat menangani situasi yang tidak dijangka pada waktu berjalan. Kesesuaian yang pantas dan boleh dipercayai bukan sahaja dapat mempromosikan pengembangan praktikal robot generasi baru dan pembantu peribadi, tetapi juga harus dianggap sebagai" inti teka-teki" teori kecerdasan.