Лични помоћници вештачке интелигенције који могу да запамте и размишљају о различитим контекстуалним информацијама увек изгледају [ГГ] „спремни да изађу [ГГ]“, али до краја Године пацова такви АИ помоћници још нису реализовани . Слично, иако је машинско учење постигло велики напредак, једном када напусти [ГГ] куот; људски [ГГ] куот; уз помоћ, аутономни систем је и даље тешко бити [ГГ] "интелигентан [ГГ";-немогуће је повезати податке и интегрисати моделе у различито учење како би се постигао међудомени пренос искуства.
Ако је циљ вештачке интелигенције постављен као функција оптимизације за решавање проблема у домену, онда смо напредовали сваким даном. Многи специфични проблеми који се сматрају тешко доступним до неба решавају се оптимизацијом - посебно ширење дубоких неуронских мрежа (ДЛ), за које се показало да је ефикасно и далеко изван људског. Компјутерски вид, машинско превођење, препознавање говора, шаховска игра, е-спорт и многа друга поља изгледају као да се нова-вештачка интелигенција убрзано развија [ГГ]; припитомљена [ГГ]; на свеобухватан начин.
Како се каже, [ГГ] "Не завидите земљи због олује, а свет је пун криза. [ГГ] куот; Уобичајени недостатак ове врсте [ГГ] припитомљавање [ГГ] је да се учење дешава само пре него што се модел примени. Али у ствари, учење у реалном времену је интелигентан приказ животиња [ГГ] #39; предност опстанка. Насупрот томе, окосница која подржава машинско учење је уска филозофија учења. Гледајући дубље, сви проблеми оптимизације ван мреже суштински се заснивају на еволуцији, а не на индивидуалној мудрости. На пример, под претпоставком да је уграђен одређени генетски код, генетски модификоване кријеснице могу прецизно открити одређени плен и успешно плен. У овом случају, Фирефли може имати одговарајуће вештине без учења у реалном времену. Слично, све док су модули са унапред подешеним функцијама, као што су навигација, позиционирање и откривање објеката, унапред инсталирани или су параметри оптимизовани ван мреже, аутономно возило би требало да може да вози у покрету.
Данас главна вештачка интелигенција још увек није дала убедљив одговор о томе како прећи са оптимизације ван мреже на брзо и поуздано учење у реалном времену. Али ово није само питање природе интелигенције, већ и првобитне намере вештачке интелигенције. Као и животиње које живе у дивљини, вештачка општа интелигенција (АГИ) може да се носи са непредвиђеним ситуацијама током извођења. Брза и поуздана прилагодљивост не само да може промовисати практичан развој нове генерације робота и личних асистената, већ се такође треба сматрати и [ГГ] "језгром загонетке" [ГГ]; теорије интелигенције.