现代AI的真理之一是，下一个大步骤是从监督学习到无监督学习。在过去几年中，我们在监督学习方面取得了巨大的进步：照片分类，语音识别，甚至玩Go（它代表了一个部分，但只有部分，过渡到无监督的学习）。无监督的学习仍然是一个未解决的问题。正如Yann LeCun所说，“我们需要解决无人监督的学习问题，然后才能想到获得真正的AI。
我只是部分同意。虽然AI和人类智力不一样，LeCun似乎假设无人监督的学习是人类学习的核心。我不认为这是真的，或至少，它是不是真实的表面意义。无监督学习对我们来说至关重要，在我们生活的几个非常重要的阶段。但是，如果你仔细看看人类是如何学习的，你会发现很少有无人监督的学习。
可能的是，语言学习的前几个步骤是无人监督的，但是很难严格地论证这一点。很明显，一旦婴儿做了前几个步骤 - 一旦它说出了第一个马马和大学，学习过程发生在父母，兄弟姐妹，甚至从其他婴儿。有不断的反馈：赞美新词，尝试沟通，甚至学龄前的老师说，“用你的话。我们的民间文化承认同样的过程。有许多关于人类由狼或其他动物饲养的故事。在这些故事中，没有一个人能够在重新进入文明时与其他人交谈。这表明无监督学习可能使学习过程最初开始，但一旦过程开始，它被严重监督。
无监督的学习可能涉及对象的持久性，但无尽的游戏“偷看”应该被认为是培训。我可以想象一个孩子学习一些自己的计数和加法的初步，但我不能想象一个孩子在没有老师的情况下发展任何更高的数学。
如果我们看看像国际象棋和Go的游戏，专家没有实现专长没有长时间的练习和培训。 Lee Sedol和Garry Kasparov没有自己成为专家：即使在当地的比赛中，也需要大量的培训，教训和定向研究投入来成为竞争者。即使在最高的专业水平，冠军有教练和顾问指导他们的学习。
如果一般智力的本质不是无监督的学习，而且如果无人监督的学习是一般智力的先决条件，但不是实质，我们应该寻找什么？这里有一些建议。
人类善于思考类比和关系。我们学习一些东西，然后在一个完全不同的领域应用这些知识。在AI中，这被称为“转移学习”;我没有看到很多例子，但我怀疑这是非常重要的。图片分类告诉我们关于自然语言处理的是什么？流体动力学告诉我们关于电子学？从一个领域中获取想法并将其应用到另一个领域可能是人类学习的最有力的方式。
我没有看到很多关于叙事的AI研究，除了从事件日志创建简单的新闻故事的项目。我怀疑研究人员低估了叙述的重要性，可能是因为我们创造叙述的能力导致了许多错误的结论。但是，如果我们是什么，我们不是“理性动物”，而是“讲故事的动物”，我们最重要的能力是将不同的事实一起变成一个连贯的叙事。毫无疑问，我们的叙述经常是错误的，当它们基于少数事件：一个典型的人类“过度拟合”的例子。但这并不削弱它们作为理解我们世界的关键工具的重要性。
人类基于少量的例子善于学习。正如一个补充者说，“你不要给孩子们展示10,000张汽车和房子的图片，以便他或她能够认出它们。但是认为标签和监督没有发生是一个错误。一个孩子可以学习汽车和房子之间的差异有几十个左右的例子，但只有一个成人说，“这是一辆汽车，这是一个房子”（也许在读一本图画书）。不同的是，人类在没有注意到的情况下进行标记，并且孩子将上下文从2D图画书转移到现实世界而没有紧张。再次，我们基于少数例子学习的能力是一个力量和弱点：我们困扰于过度拟合和“真理”，只是偏见。但是我们基于相对较少数量的例子学习的能力很重要。 Lee Sedol可能打了几万次Go游戏，但他肯定没有上百万。
我不是说无人监督的学习是不重要的。我们可能发现，无监督学习是其他形式的学习的重要先决条件，无监督学习开始学习过程。这可能是从狭窄的AI演变为一般AI的必要步骤。通过将输入分类到未标记的类别，无监督学习可能有助于减少对标记数据的需要，并极大地加快学习过程。但是面对AI的最大的项目并不是使学习过程更快，更有效。它从解决一个问题的机器（例如玩Go或生成模仿Rembrandts）到灵活的机器，可以解决许多不相关的问题，甚至从来没有见过的问题。如果我们真正想要一般智力，我们需要更多地考虑将想法从一个领域转移到另一个领域，使用类比和关系，创造叙事，并发现人类不断参与的隐式标记和培训。
