在一個系統的上下文中，本質的意義可以被更好地理解為“缺失的環節”，即解決這個難題的元素。 在他的通用人工智能理論中，馬庫斯·胡特通過“普遍歸納、概率規劃和強化學習的思想的統一”，著手解決機器智能的問題。 順序決策理論和索洛莫諾夫的普遍歸納理論的結合，為在已知和未知環境中的理性代理提供了理論依據。                

馬庫斯·胡特，提出通用人工智能的十年

 值得注意的是胡特有關價值的陳述。 在成功的標準中，他的理論抓住了上面討論的智能的非正式定義，這理論植根於一個歸納推理的理論。 在另一篇文章中，我研究了歸納法如何驅動人工智能理論和方法。
 在機器智能的理論中，我們已經深入理解了為什麼預測是一種本質的東西。 歸納推理是一個預測過程，解決了理性的代理人如何在未知的環境中實現他們的目標的問題。
 機器學習是一種歸納推理的過程，從具體的例子中得出一般結論，預測是機器學習的本質。 這一解釋與歷史期望沒有偏離，二者如出一轍。 萊格和胡特認為他們的方法是“明顯的功能性”方法。 重要的是目標和代理人可衡量的表現。 他們為意識、情感和創造力等無法衡量的方面可剝離開來而興高采烈。 類似於任何擬人化的同情或對自然智能的訴求，他們對創造一個“人造人”毫無興趣。
 另一些人則認為，只有通過一種自然智能的逆向工程，人工智能才會被實現。 在他們的世界觀中，預測是智能的本質？ 在他的《人工智能的未來》（On Intelligence）一書中，傑夫·霍金斯提出，預測提供了一種重要的智能衡量方法，以理解的概念為框架。 引用Searle所熟悉的“中文房間”思想實驗（在上面討論的功能觀點中沒有實際意義的問題），霍金斯解釋說，理解包含了記憶的方面。 智能需要內在的表徵和經驗的處理。  （中文房間（Chinese room）又稱作華語房間，是由美國哲學家約翰·希爾勒（John Searle）在1980年設計的一個思維試驗以推翻強人工智能（機能主義）提出的過強主張： 只要計算機擁有了適當的程序，理論上就可以說計算機擁有它的認知狀態以及可以像人一樣地進行理解活動。）

傑夫·霍金斯，《人工智能的未來》（On Intelligence）
 在霍金斯的理論中，預測是根據對將要發生的事情的預期來評估。 人類的大腦皮層是由數百萬列組成的，每一列都由一組神經元組成。  （再一次，回想起我們的工具的擺動，這提醒了霍金斯，一個訓練有素的工程師，想到了一個矽芯片的架構）。
 這些結構的一致性暗示了一個單一的算法或原則，在這些結構中，這些列構成了預測的單元。 在這個記憶預測框架中，預測是智能的本質。 即使在這個預測記憶框架內，預測作為本質的想法也很難確定。 雖然人們永遠活在未來，但正在進行中的功能應當更恰當地描述為“繁榮”，而不是“預測”。 我們不斷地評估我們對世界的內在解釋，而不是那些相對稀少的、意想不到的觀察。
 加里·馬庫斯等批評人士認為，霍金斯的模型過於簡單化，只對大腦中已知的一些機制進行了抽象化描述;他指出，許多其他方面仍然是一個謎。  （這並不是說馬庫斯是主流機器學習的倡導者，他相信“機器學習有一種偏見，那就是假定一切都是學來的”）。 其他研究人員，如傑夫·迪恩和德米斯·哈薩比斯，似乎更贊同霍金斯在自然中的靈感，如果他們沒有必要為他的想法的可行性或可實現性而鼓掌。
 正如人們所預料的那樣，智能的複雜性和設計解決方案所需要的不可避免的妥協創造了斷層線。 這就導致了社區之間的衝突，就像最近在楊立昆、尤夫·戈德堡和其他代表深度學習和NLP（自然語言處理）社區的代表人物之間的公開辯論中一樣，副標題是“for  fucks sake, DL people, leave language alone and stop saying you solve it”。 當我們把現實看做一個客觀的仲裁者時，智能的本質就變得越來越不清楚了。 最終，要理解為什麼預測是智能的本質，我們需要訴諸於公眾輿論和業內最有影響力的人。

 一個問題變成了一個迷因

 在這個故事的大部分都關於，無論是在追求機器智能還是研究自然智能的過程中，預測是否是智能的本質的問題是一個相對模糊、實用的考量，然後這個問題變成了一個迷因。 這種轉變可以通過一系列的事件來追溯。 機器智能作為歸納推理的願景在深度學習中應用後，成為了一種非常成功的方法。 這一方法的先驅，如楊立昆，約書亞·本吉奧和杰弗裡·辛頓，經過幾十年的研究後，因為後來所發生的事情，他們成為了極為有影響力的預言家。
 在註意力不集中的情況下，複雜的問題必然會被簡化，並被剝奪它們的歷史價值。 為了向大量的新受眾進行教育和推廣他們的研究議程，複雜的問題被簡化為一種適合於推文、聲音片段和演講稿的形式。

 當迷因變成教條

 像楊立昆這樣的人工智能明星站起來發表宣言時，在整個行業中都產生了反響。 比如在2015年，楊立昆說：“預測是智能的本質，而這正是我們想要做的”。 而楊立昆想要做的是影響和約束許多人的思想領導和研發議程。
 楊立昆認為人工智能問題的關鍵在於“不確定性下的預測”，這與上面討論的功能觀點有相似之處。 在2016年神經信息處理系統大會的主題演講中，預測學習的中心角色——學習預測模型——被強調為取得進展的必要步驟。 主要的技術難題是“世界只是部分可預測的”。

楊立昆，2016年神經信息處理系統大會
 正如楊立昆勾勒出的路線圖，預測框架會帶來一系列的挑戰，即使是在那些與預測無關的領域。 例如，常識被描述為，“不論有什麼可用信息，都能預測過去、現在或未來的任何信息。”
 正如上面所討論的霍金斯的預測-記憶二象性，功能框架可能從預測轉移到其他技術，例如表示、記憶或推理。 但為什麼要把拒絕成功？ 這是錘子法則，就是把一切都看成是釘子。 當作為事物的本質時，預測不僅是描述性的，而且是衡量的標準，而且是對解決方案本身的規定。 當一個對此崇拜的社區對其進行規定的時候，這個問題就不再被質疑了。 它成了真理。