人工智能和机器学习的领域越来越普遍。这些领域中的一个主要问题是机器是否能够复制人类认知和语言的复杂性。问题仍然存在，即机器是否真正有能力复制人类语言和认知的系统性组成特征。
系统性学习是人们获得新思想并有条理地将其与既有思想相结合的能力。系统性组成性是人类语言和智力的一项杰出能力。这个想法类似于解代数方程，因为它需要生成和理解熟知元素的新组合的能力。
尽管在这一领域取得了实质性进展，神经网络在系统性方面的问题尚未得到解决。这带来了Fodor和Pylyshyn提出的一个著名主张，即人工神经网络作为人类思维模型是不充分的，因为它们无法具备这种能力。作为对此的回应，一个研究团队最近展示了神经网络如何通过使用一种名为元学习组成性（MLC）的新技术来实现类似人类的系统性。
使用这种方法，研究团队训练了一系列动态编排问题的神经网络。该研究采用了指令学习范式来进行行为学研究，以比较人类和机器的表现。MLC在系统性组成性方面使人类和机器之间的差距缩小。该方法通过高级指导和人类示例指导神经网络的学习过程，而不是依赖人工构建的内部表示或归纳偏见。它能够帮助网络获得适当的学习能力。
研究团队表示，他们进行了一些人类行为实验来评估这种方法。他们使用指令学习范式评估了七种不同的模型，以了解哪种模型可以最好地平衡类似人类的泛化的两个关键组成部分：灵活性和系统性。结果非常令人印象深刻，因为MLC是唯一一个能够模仿系统性和灵活性的受试模型，这对于复制类似人类的泛化是必要的。它既不依赖过于灵活但非系统性的神经网络，也不强加不灵活但完全系统性而刻板的概率符号模型。
MLC技术之所以令人印象深刻，是因为它不需要复杂或专门的神经网络拓扑结构。相反，它优化了普通神经网络的组合技能。在这次面对面的比较中，基于MLC的网络在系统性泛化方面与人类的表现非常相符。
总之，MLC为人们证明机器可以在语言和推理方面实现类似人类的系统性打开了大量的用途。它展示了机器学习系统如何模拟人类认知的系统性，可能提高人类在一系列认知活动中的能力，如问题解决、创造性思维和自然语言处理。这一突破无疑有能力将人工智能领域带入新的革命，使人类能够更接近那些不仅可以模仿，而且真正理解和复制人类思维系统性特征的机器。