Cet article explore les raisons pour lesquelles le succès de l'IA en monde fermé ne se transfère pas aux environnements ouverts, ainsi que les principes d'apprentissage nécessaires à l'IA en monde ouvert. En environnement fermé, les systèmes d'IA peuvent être améliorés grâce à des critères de réussite clairs et à des données d'exemple abondantes, mais en environnement ouvert, ces approches sont inefficaces en raison de critères de réussite vagues et de données d'exemple insuffisantes. Par conséquent, de nouveaux principes et technologies d'apprentissage, tels que les fonctionnalités riches, les représentations séparées et l'apprentissage par inférence, sont nécessaires à l'IA en monde ouvert. Cet article présente ces principes et les vérifie par des expériences à grande échelle.
