如第1章所述，目前的人工智能的研究重點已不在知識方面，大部分已經脫離了約翰·麥卡錫的早期願景。有些人認為，麥卡錫倡導的GOFAI是有進步意義的。但我們現在需要的是一種全新的方法，一種更加重視神經科學、統計學、經濟學和發展心理學等方面見解的新方法。
儘管這些學科能夠提供見解，儘管一個全新的計算機程序會更具生產力，但麥卡錫的設想更為激進一點兒。他提出了一個全新的主題，既不屬於神經科學，也不屬於統計學。這個新主題將從計算機程序的角度研究知識本身的應用情況。
非常重要的一點是，批判GOFAI的人們並沒有試圖去解釋智能行為，而是採用了其他的批評方式。他們沒能設計出另一個更好地回答威諾格拉德模式問題的程序（例如計算經濟學），反而採用了遠離GOFAI的方法。
這更像是主題的一種轉變。研究人員不再關注人們回答問題的能力，而是將重點轉移到其他形式的行為，尤其是對背景知識依賴程度較低的行為。（他們也許會進一步爭論該採用何種進化理論來解釋該問題。而我們也許應該在徹底瞭解行為本身之後，再去研究那些取決於知識的行為。）
因此，專注於AML方面的研究人員可能會側重於手寫識別能力。例如，我們區別數字「3」和「8」的能力似乎較少依賴於背景知識，而是更多地依賴於我們在樣本數字中看到的格式差別。AML的研究人員專注於展示如何從這些樣品中自動獲取必要的模式和特徵。
當然，這樣做沒有任何問題。如果假設所有處於人類水平的智能行為都是依賴於背景知識產生的結果，這又會是一個巨型拼圖式的錯誤。從威諾格拉德模式問題以及其他任何地方，我們都能夠清楚地看到：只有一部分智能行為是依賴於背景知識的。
於是，問題依然存在：人們如何產生這種行為呢？即便不是像AML那種類型的結果，那它會不會以更加複雜的形式呈現出來呢？為了回答上述問題，我們需要進一步瞭解學習和獲取知識背後的內容。