व्यक्तिगत एआई सहायक जो विभिन्न प्रासंगिक सूचनाओं को याद कर सकते हैं और तर्क कर सकते हैं, वे हमेशा [जीजी] उद्धरण [जीजी] बाहर आने के लिए तैयार प्रतीत होते हैं, लेकिन चूहे के वर्ष के अंत तक, ऐसे एआई सहायकों को अभी तक महसूस नहीं किया गया है . इसी तरह, हालांकि मशीन लर्निंग ने बहुत प्रगति की है, एक बार जब यह [जीजी] quot;मानव [जीजी] उद्धरण छोड़ देता है; सहायता, स्वायत्त प्रणाली अभी भी [जीजी] quot;बुद्धिमान [जीजी] उद्धरण होने के लिए कठिन है-अनुभव के क्रॉस-डोमेन हस्तांतरण को प्राप्त करने के लिए डेटा को कनेक्ट करना और विभिन्न शिक्षण में मॉडल को एकीकृत करना असंभव है।
यदि डोमेन समस्याओं को हल करने के लिए एआई का लक्ष्य अनुकूलन कार्य के रूप में निर्धारित किया गया है, तो हम प्रत्येक बीतते दिन के साथ आगे बढ़ रहे हैं। कई विशिष्ट समस्याएं जिन्हें आकाश तक पहुंचना मुश्किल माना जाता है, उन्हें अनुकूलन द्वारा हल किया जाता है - विशेष रूप से गहरे तंत्रिका नेटवर्क (डीएल) का बैकप्रोपेगेशन, जो प्रभावी और मानव से बहुत दूर साबित हुआ है। कंप्यूटर विज़न, मशीनी अनुवाद, वाक् पहचान, शतरंज का खेल, ई-स्पोर्ट्स और कई अन्य क्षेत्र ऐसे दिख रहे हैं जैसे नई-कृत्रिम बुद्धि तेजी से"घरेलू" चौतरफा तरीके से।
जैसा कि कहा जाता है, [जीजी] उद्धरण;डॉन [जीजी] #39;तूफान के कारण पृथ्वी से ईर्ष्या न करें, और दुनिया संकटों से भरी है। [जीजी] उद्धरण; इस प्रकार के [जीजी] quot;घरेलू [जीजी] उद्धरण का सामान्य दोष; यह है कि मॉडल को तैनात करने से पहले ही सीखना होता है। लेकिन वास्तव में, रीयल-टाइम लर्निंग जानवरों का बुद्धिमान प्रदर्शन है' उत्तरजीविता लाभ। इसके विपरीत, मशीन सीखने का समर्थन करने वाली रीढ़ एक संकीर्ण शिक्षण दर्शन है। गहराई से देखने पर, सभी ऑफ़लाइन अनुकूलन समस्याएं अनिवार्य रूप से व्यक्तिगत ज्ञान के बजाय विकास पर आधारित होती हैं। उदाहरण के लिए, यह मानते हुए कि एक निश्चित आनुवंशिक कोड प्रत्यारोपित किया गया है, आनुवंशिक रूप से संशोधित जुगनू सटीक रूप से विशिष्ट शिकार का पता लगा सकते हैं और सफलतापूर्वक शिकार कर सकते हैं। इस मामले में, जुगनू के पास वास्तविक समय सीखने के बिना संबंधित कौशल हो सकते हैं। इसी तरह, जब तक नेविगेशन, पोजिशनिंग और ऑब्जेक्ट डिटेक्शन जैसे प्रीसेट फ़ंक्शंस वाले मॉड्यूल पहले से इंस्टॉल होते हैं या पैरामीटर ऑफ़लाइन अनुकूलित होते हैं, स्वायत्त वाहन चलते-फिरते ड्राइव करने में सक्षम होना चाहिए।
आज, मुख्यधारा की कृत्रिम बुद्धिमत्ता ने अभी तक इस बारे में कोई ठोस जवाब नहीं दिया है कि ऑफ़लाइन अनुकूलन से तेज़ और विश्वसनीय रीयल-टाइम लर्निंग में कैसे स्विच किया जाए। लेकिन यह न केवल बुद्धि की प्रकृति का सवाल है, बल्कि कृत्रिम बुद्धि की मूल मंशा का भी है। जंगल में रहने वाले जानवरों की तरह, कृत्रिम सामान्य बुद्धि (एजीआई) रनटाइम पर अप्रत्याशित स्थितियों से निपट सकती है। तेज और विश्वसनीय अनुकूलन क्षमता न केवल नई पीढ़ी के रोबोट और व्यक्तिगत सहायकों के व्यावहारिक विकास को बढ़ावा दे सकती है, बल्कि इसे [जीजी] quot;कोर पहेली [जीजी] उद्धरण के रूप में भी माना जाना चाहिए; बुद्धि के सिद्धांत से।