A kutatólaboratóriumok egyre nagyobb hangsúlyt fektetnek arra a megközelítésre, amelyben az MI rendszereket milliónyi ellenőrizhető feladaton, több ezer változatos környezetben tanítják. Az a feltételezés áll a háttérben, hogy ilyen módon olyan általános problémamegoldó ügynökök fejleszthetők, amelyek képesek hosszú távú, összetett és nyitott végű feladatok önálló megoldására, még hibák és kétértelműségek esetén is.
Felmerül a kérdés, hogy valóban elegendő-e a meglévő RL (megerősítéses tanulás) skálázása ahhoz, hogy leküzdjük az eddigi paradigmák alapvető gyengeségeit, például a minta-hatékonyság és a folyamatos tanulás hiányát. Egyesek szerint a nagyobb skála önmagában választ ad minderre, míg mások szerint alapvető architekturális vagy tanítási újításokra is szükség van.
Különös figyelmet kap a „számítógép-használat” területe, ahol a fejlődés jelentősen lassabb más, szintén jól ellenőrizhető feladatokhoz képest, mint például a kódírás vagy a matematika. Ez részben annak tudható be, hogy kevés valóban újraprodukálható szimulátor létezik a digitális környezetekhez, illetve a domén nem mindig „darabolható” le párhuzamosan tanítható egységekre.
További izgalmas kihívást jelent, hogy miként lehetne olyan MI-ket tanítani, amelyek a világ valóságos, egyedi és gyakran szűkös adatokkal rendelkező területein is képesek hatékonyan tanulni — például üzletépítés, politikai kampányok vagy piaci kereskedés esetén. Ezekről a területekről nem lehet adatközpontban végletekig visszatekerhető szimulációkat készíteni, ezért szükségessé válik a minta-hatékonyság és a folyamatos tanulás új szintje.
Szó esik továbbá új módszertani megközelítésekről, például az on-policy self-distillation (OPSD) technikáról és a „dreaming” koncepciójáról, amelyek arra keresnek választ, miként lehetne az MI-ket arra bírni, hogy a valóságban szerzett tapasztalatokat sűrített, hatékony formában beépítsék modelljeikbe. Mindehhez izgalmas kérdéseket vet fel az is, hogy a jövőben vajon milyen formát ölthet a folyamatos tanulás, és hogy mi szükséges ahhoz, hogy az MI valóban a valós világbeli tapasztalatokból, ne csak előre lemodellezhető környezetekből tanuljon hatékonyan.
