Οι προσωπικοί βοηθοί τεχνητής νοημοσύνης που μπορούν να απομνημονεύσουν και να αιτιολογούν διαφορετικές πληροφορίες σχετικά με τα συμφραζόμενα φαίνεται πάντα να είναι" έτοιμοι να βγουν" ;, αλλά μέχρι το τέλος του έτους του αρουραίου, τέτοιοι βοηθοί AI δεν έχουν ακόμη πραγματοποιηθεί Το Ομοίως, αν και η μηχανική μάθηση έχει σημειώσει μεγάλη πρόοδο, μόλις φύγει από το" ανθρώπινο" βοήθεια, το αυτόνομο σύστημα είναι ακόμα δύσκολο να είναι&«έξυπνο"»-είναι αδύνατο να συνδεθούν δεδομένα και να ενσωματωθούν μοντέλα σε διαφορετική μάθηση για να επιτευχθεί μεταφορά εμπειρίας μεταξύ τομέων.
Εάν ο στόχος του AI έχει οριστεί ως συνάρτηση βελτιστοποίησης για την επίλυση προβλημάτων τομέα, τότε προχωράμε κάθε μέρα που περνά. Πολλά συγκεκριμένα προβλήματα που θεωρήθηκαν δύσκολο να φτάσουν στον ουρανό επιλύονται με βελτιστοποίηση - ειδικά η αντίστροφη διάδοση βαθιών νευρωνικών δικτύων (DL), η οποία έχει αποδειχθεί αποτελεσματική και πολύ πέρα από τα ανθρώπινα. Η όραση υπολογιστή, η αυτόματη μετάφραση, η αναγνώριση ομιλίας, το παιχνίδι σκάκι, τα ηλεκτρονικά αθλήματα και πολλοί άλλοι τομείς μοιάζουν με νέα τεχνητή νοημοσύνη να εξελίσσεται γρήγορα" εξημερωμένη" με έναν ολοκληρωμένο τρόπο.
Όπως λέει και η παροιμία," Μην ζηλεύετε τη γη λόγω της καταιγίδας και ο κόσμος είναι γεμάτος κρίσεις." Το κοινό ελάττωμα αυτού του τύπου" εξημέρωση" είναι ότι η μάθηση συμβαίνει μόνο πριν από την ανάπτυξη του μοντέλου. Αλλά στην πραγματικότητα, η μάθηση σε πραγματικό χρόνο είναι η έξυπνη εμφάνιση των ζώων'? πλεονέκτημα επιβίωσης. Αντίθετα, η ραχοκοκαλιά που υποστηρίζει τη μηχανική μάθηση είναι μια στενή φιλοσοφία μάθησης. Κοιτάζοντας βαθύτερα, όλα τα προβλήματα βελτιστοποίησης εκτός σύνδεσης βασίζονται ουσιαστικά στην εξέλιξη και όχι στην ατομική σοφία. Για παράδειγμα, αν υποτεθεί ότι εμφυτεύεται ένας συγκεκριμένος γενετικός κώδικας, οι γενετικά τροποποιημένες πυγολαμπίδες μπορούν να ανιχνεύσουν με ακρίβεια συγκεκριμένο θήραμα και με επιτυχία τη λεία. Σε αυτήν την περίπτωση, το Firefly μπορεί να έχει αντίστοιχες δεξιότητες χωρίς μάθηση σε πραγματικό χρόνο. Ομοίως, εφόσον είναι εγκατεστημένες μονάδες με προκαθορισμένες λειτουργίες όπως η πλοήγηση, η τοποθέτηση και η ανίχνευση αντικειμένων ή οι παράμετροι βελτιστοποιούνται εκτός σύνδεσης, το αυτόνομο όχημα θα πρέπει να μπορεί να κινείται εν κινήσει.
Σήμερα, η συνηθισμένη τεχνητή νοημοσύνη δεν έχει δώσει ακόμη μια πειστική απάντηση σχετικά με τον τρόπο μετάβασης από βελτιστοποίηση εκτός σύνδεσης σε γρήγορη και αξιόπιστη εκμάθηση σε πραγματικό χρόνο. Αλλά αυτό δεν είναι μόνο ζήτημα της φύσης της νοημοσύνης, αλλά και της αρχικής πρόθεσης της τεχνητής νοημοσύνης. Όπως τα ζώα που ζουν στην έρημο, η τεχνητή γενική νοημοσύνη (AGI) μπορεί να αντιμετωπίσει απρόβλεπτες καταστάσεις κατά τη διάρκεια του χρόνου εκτέλεσης. Η γρήγορη και αξιόπιστη προσαρμοστικότητα δεν μπορεί μόνο να προωθήσει την πρακτική ανάπτυξη μιας νέας γενιάς ρομπότ και προσωπικών βοηθών, αλλά θα πρέπει επίσης να θεωρηθεί ως το" βασικό παζλ" της θεωρίας της νοημοσύνης.