每项具有学习能力的技术在一个阶段学习完以后，都会产生下一阶段的学习曲线。通过查看这条曲线，我们可以判断这个特定的结构是否达到了人类水平。

让我们详细的看回每一部分。

技能列表——所有可能的测试和任务至少有一个人能够通过。下列是这一堆技能：认识的多样性——从区分几何形状到语音识别，能循序渐进地玩游戏——从掌握下棋到掌握怎么玩Go，从制作音乐到有新的科学发现。

人与机器之间的区别是，人可以通过选择相关的课程来获得这些技能，而机器则不可以。人类不需要重新创造。课程有助于帮助获得深入学习的能力以及高效使用知识的方法。

此外，人类拥有巨大的常见能力，这些常见的能力有助于人类获得更复杂和特定的技能。比如，阅读，写作和说话的能力，这些常见能力又给出了学习任何其他主题的无限能力：构建飞机，弹钢琴，量子物理学。

技能轴列表。从这里，我们可以假设，有哪些技能是必须先获得的，而这些先获得的技能日后可以帮助在专业领域获得更专业具体的技能。有了这个原则，我们可以建立一个顺序的技能列表——从科学的角度，由最常见到最有趣的顺序来排。这些技能反映出图像应该作为人类水平的技能所存在的。

学习轴的时间决定了给定的计算或其他资源学习的时间消耗。这里出现的问题就是更高水平的技能需要更多的计算能力。因为它，学习时间变得很长。

这里有两种可能的学习曲线。曲线A的第一半（从点O到点N）在某种程度上类似于B。但是存在着一个差别——曲线B具有架构限制，并且在这个意义上与A相同，又或者不存在这个问题。第二个选项引导着我们到技术奇点的主题。

创建人性智能需要做什么？

基于这个图，有两个互补的方式来实现人类智能：

减少学习时间。这样的顺序技能列表必须被创建，因为只有这样，其中的每一个学会了的技能将会提高学会下一个技能的效率。这样的课程将使学习曲线增长得更快。

通过开发来提高建筑限制。没错，这非常明显。但通过使用这个被提出的观点，我们可以衡量学习进展。以及能够测量AI的真实客观科学的发展。

因此，每个旨在创建人工智能的项目都可以在以上提出的方案下进行一些考虑。 每个项目通过命题自己的假设和视野来缩小这种训练方案的范围。当证明假说成为了新的研究的基础。这样，人工智能的科学便出现了。