본 논문은 인공 신경망(ANN) 모델이 인간의 인지 능력에 비해 가지는 약점들을 다루는 연구들을 검토한다. 특히, 기계에게 특정 기술을 향상시키도록 유인하고 그 기술을 연습할 기회를 제공하는 "인센티브와 연습의 문제"를 해결하는 메타러닝의 활용에 초점을 맞춘다. 이러한 명시적인 최적화는 관련된 다른 목표를 최적화하여 원하는 행동이 나타나기를 기대하는 기존 접근 방식과 대조된다. 논문에서는 메타러닝을 통해 체계적인 일반화, 재앙적 망각, 몇 번의 학습, 다단계 추론 등 ANN의 네 가지 고전적인 과제를 해결하는 응용 사례를 검토한다. 또한 대규모 언어 모델이 이 메타러닝 프레임워크의 핵심 측면(다양한 데이터로 훈련된 피드백을 통한 시퀀스 예측)을 어떻게 통합하는지 논의하며, 이를 통해 이러한 고전적인 과제에 대한 성공을 설명한다. 마지막으로, 이 프레임워크를 통해 인간 발달의 측면을 이해하고 자연 환경이 어려운 일반화를 학습하기 위한 적절한 인센티브와 연습을 제공하는지 여부를 논의한다.
