如果你想目睹下一个划时代的发现，一个用更灵活的智能奠定机器基础的技术，你应该看看那些类似反向传播的研究（如果你在 80 年代了解到它）：那些对尚未成功的理念坚持不懈的聪慧之人。
几个月前，我去脑、心智与机器研究中心（Center for Minds, Brains, and Machines，一家由多个机构成立的研究中心，总部位于麻省理工学院），参加我的朋友埃亚勒·德克特（Eyal Dechter）的认知学论文答辩。答辩开始前，他的妻子艾米、他家的狗鲁比（Ruby）和他们的女儿苏珊娜（Susannah）正围着他，给他打气。屏幕上有一张鲁比的照片，它旁边是婴儿时期的苏珊娜。当埃亚勒让苏珊娜指出照片上的自己时，她兴高采烈地朝自己婴儿时期的照片挥舞一条很长的可伸缩教鞭。走出房间的路上，她在妈妈身后推着一个玩具车，回头喊了一声“爸爸，祝你好运！”最后，她还用西班牙语说了一句“走啦（Vámanos）！”她才两岁。
“它现在还不算成功，但这只是暂时的。”
埃亚勒用一个有趣的问题开始了他的答辩：苏珊娜是如何通过两年的历练学会说话、玩耍和听故事的？人脑的什么特质使它如此善于学习？未来计算机能否这么迅速流畅地学习？”
我们基于已知的事物理解新现象，我们将一个事物分解成碎片，然后学习这些碎片。埃亚勒是一位数学家兼程序员。在他眼里，制作蛋奶酥这种任务相当于于极为复杂的计算机程序。但在学做蛋奶酥的时候，不需要学习无数类似程序中的微小指令，例如 “手肘旋转30度，低头看桌子，然后伸出食指，然后……”如果在做每个新任务的时候都要研究这样的细小指令，学习过程就会变得非常艰难，你也会在大量已经学到的知识中浪费时间。因此，我们只需要指出程序中高层次的步骤，比如“搅拌蛋清”，这样的高层次步骤本身已经覆盖了更小的子程序，比如“打破鸡蛋”和“取出蛋黄”。