Els assistents personals d’IA que poden memoritzar i raonar sobre diferents dades contextuals sempre semblen estar" llestos per sortir", però fins al final de l’Any de la rata, aquests assistents AI encara no s’han realitzat . De la mateixa manera, tot i que l’aprenentatge automàtic ha fet grans progressos, un cop deixa" humà" assistència, el sistema autònom encara és difícil de ser" intel·ligent" -és impossible connectar dades i integrar models en diferents aprenentatges per aconseguir una transferència d’experiència entre dominis.
Si l'objectiu de la IA es defineix com una funció d'optimització per resoldre problemes de domini, hem anat avançant cada dia que passa. Molts problemes específics que s’han considerat difícils d’arribar al cel es resolen mitjançant l’optimització, especialment la propagació posterior de xarxes neuronals profundes (DL), que s’ha demostrat eficaç i molt més enllà de l’ésser humà. La visió per computador, la traducció automàtica, el reconeixement de veu, el joc d'escacs, els esports electrònics i molts altres camps semblen que la intel·ligència artificial nova s'està convertint ràpidament en" domesticada" de manera integral.
Com diu la dita,&"No envegi la terra a causa de la tempesta i el món està ple de crisis." El defecte comú d’aquest tipus de" domesticació" és que l'aprenentatge només es produeix abans de desplegar el model. Però, de fet, l’aprenentatge en temps real és la visualització intel·ligent d’animals' avantatge de supervivència. En canvi, l’eix vertebrador que dóna suport a l’aprenentatge automàtic és una filosofia d’aprenentatge estreta. Mirant més a fons, tots els problemes d’optimització fora de línia es basen bàsicament en l’evolució més que en la saviesa individual. Per exemple, suposant que s’implanta un determinat codi genètic, les cuques de llum modificades genèticament poden detectar amb precisió preses específiques i preses amb èxit. En aquest cas, Firefly pot tenir les habilitats corresponents sense aprendre en temps real. De la mateixa manera, sempre que els mòduls amb funcions predeterminades, com ara la navegació, el posicionament i la detecció d’objectes, estiguin preinstal·lats o que els paràmetres s’optimitzin fora de línia, el vehicle autònom hauria de poder conduir en moviment.
Avui en dia, la intel·ligència artificial principal encara no ha donat una resposta convincent sobre com passar de l’optimització fora de línia a l’aprenentatge en temps real ràpid i fiable. Però no només es tracta de la naturalesa de la intel·ligència, sinó també de la intenció original de la intel·ligència artificial. Igual que els animals que viuen al desert, la intel·ligència general artificial (AGI) pot fer front a situacions imprevistes en temps d’execució. Una adaptabilitat ràpida i fiable no només pot promoure el desenvolupament pràctic d’una nova generació de robots i assistents personals, sinó que també s’ha de considerar com el" trencaclosques bàsics" de la teoria de la intel·ligència.