Personal AI asistenti koji mogu memorizirati i razum o različitim kontekstualnim informacijama uvijek se čini da su "spremni izaći", ali do kraja Godine Štakora, takvi asistenti AI još nisu bili realizovani. Slično tome, iako je mašinsko učenje postigla veliki napredak, kada jednom napusti "ljudsku" pomoć, autonomni sistem je još uvijek teško biti "inteligentan"-nemoguće je povezati podatke i integrirati modele u različito učenje kako bi se postigla cross-domain transfer iskustva.
Ako je cilj AI postavljen kao funkcija optimizacije za rješavanje problema domena, onda napredujemo sa svakim prolaznim danom. Mnogi specifični problemi za koje se smatralo da su teško doći do neba rješavaju se optimizacijom — posebno backpropagationom dubokih neuroških mreža (DL), za koje se pokazalo da su učinkovite i daleko izvan čovjeka. Kompjuterska vizija, mašinski prijevod, prepoznavanje govora, šahovska igra, e-sport i mnoga druga polja izgledaju kao da se nova-umjetna inteligencija brzo "pripitomlja" na sve strane.
Kao što kaže izreka: "Ne zavidite Zemlji zbog oluje, a svijet je pun kriza." Uobičajeni defekt ove vrste "pripitomljenosti" je da se učenje javlja samo prije nego što se model rasporedi. Ali u stvari, učenje u realnom vremenu je inteligentno pokazivanje prednosti preživljavanja životinja. Za suprotno tome, okosnica koja podržava mašinsko učenje je uska filozofija učenja. Gledajući dublje, svi problemi offline optimizacije su u suštini zasnovani na evoluciji, a ne na individualnoj mudrosti. Na primjer, pod pretpostavkom da se ugradi određeni genetski kod, genetski modificirani svici mogu precizno otkriti specifičan plijen i uspješno plijen. U ovom slučaju, Firefly može imati odgovarajuće vještine bez učenja u stvarnom vremenu. Slično tome, sve dok su moduli sa prednamještenim funkcijama kao što su navigacija, pozicionacija i detekcija objekata su pre-instalirani ili su parametri optimizirani offline, autonomno vozilo bi trebalo biti u mogućnosti voziti u krenuti.
Danas, mainstream umjetna inteligencija još nije dala uvjerljiv odgovor kako se prebaciti sa offline optimizacije na brzo i pouzdano učenje u realnom vremenu. Ali ovo nije samo pitanje prirode inteligencije, nego i prvobitne namere veštačke inteligencije. Kao i životinje koje žive u divljini, veštačka opšta inteligencija (AGI) može da se nosi sa nepredviđenim situacijama u vreme trčanja. Brza i pouzdana prilagodljivost ne samo da može promicati praktičan razvoj nove generacije robota i ličnih pomoćnika, već i treba smatrati "jezgrom zagonetke" teorije inteligencije.