随着时间的推进，那些能够利用不断增长的计算资源的通用方法将会获得更大的成功。研究者应该关注于开发能够充分利用这些资源的算法。
尽管人类专家的知识和经验看起来是解决特定问题的捷径，但从长远来看，简单但通用的方法，再加上Scaling Law，才是更为强大的解决方案。这意味着在人工智能的发展中，简单性和通用性是极其重要的。
AI 的未来在于那些能够从大量数据中自我学习和改进的系统。这种自我学习的能力使得 AI 系统不仅能够适应当前的任务，还能够发现全新的解决方案和策略，甚至是人类未能预见的。
虽然人类的知识和经验在短期内可能有所帮助，但从长期来看，AI 系统应该减少对知识的依赖，转而依赖于从数据中学习到的模式。这意味着在设计 AI 系统时，应该更多地依赖于数据驱动的方法，而不是人类设计的规则。
研究者保持对新方法和新思想的开放性，即使这些方法在当前看起来并不符合传统的智能体设计原则。这种开放性是推动 AI 领域进步的关键。
意识的真实内容是极其复杂和深邃的。我们应当停止寻找想要简化理解意识思考的方法，比如思考空间感、物体、多智能体交互或者对称性等等。这些都是外在世界复杂性的一部分，而这种复杂性是无穷数量的。因此我们不应该将它们固化到系统中。相反，我们应该只构建那些能够发现并捕捉这些任意复杂性的元方法。这些方法的核心在于它们能找到良好的近似值，但是发现它们的过程应该由我们的方法来完成，而不是我们个人。
参考：