यह शोधपत्र मानव संज्ञानात्मक क्षमताओं की तुलना में कृत्रिम तंत्रिका नेटवर्क (ANN) मॉडल की कमज़ोरियों पर केंद्रित हालिया शोध की समीक्षा करता है। विशेष रूप से, हम "प्रोत्साहन और अभ्यास समस्याओं" पर ध्यान केंद्रित करते हैं, जो एक मेटा-लर्निंग दृष्टिकोण है जो मशीनों को एक विशिष्ट कौशल में सुधार करने के लिए प्रोत्साहन और उस कौशल का अभ्यास करने के अवसर प्रदान करता है। यह स्पष्ट अनुकूलन उन मौजूदा दृष्टिकोणों से भिन्न है जो अन्य संबंधित उद्देश्यों के अनुकूलन द्वारा वांछित व्यवहार की अपेक्षा करते हैं। हम इस सिद्धांत के चार पारंपरिक ANN कार्यों पर अनुप्रयोग का परीक्षण करते हैं: व्यवस्थित सामान्यीकरण, विपत्तिपूर्ण विस्मरण, कुछ-शॉट अधिगम, और बहु-स्तरीय अनुमान। फिर हम चर्चा करते हैं कि बड़े पैमाने के भाषा मॉडल इस मेटा-लर्निंग ढाँचे के एक प्रमुख पहलू को कैसे एकीकृत करते हैं: विविध आँकड़ों पर प्रशिक्षित फीडबैक के माध्यम से अनुक्रम भविष्यवाणी। अंत में, हम मानव विकास के पहलुओं को समझने के लिए इस ढाँचे की क्षमता पर चर्चा करते हैं और यह भी कि क्या प्राकृतिक वातावरण कठिन सामान्यीकरणों को सीखने के लिए पर्याप्त प्रोत्साहन और अभ्यास प्रदान करते हैं।
