人工智能领域长期面临一个核心挑战——智能体的"专才困境"。经过大量数据训练的模型虽然能出色完成特定任务，却难以将经验应用到新场景。这种现象被称为"棋盘脑效应"：即便能在围棋中战胜人类冠军的智能体，面对跳棋时仍需从头学起。
从追求单一任务的高性能，到培养开放环境中的可迁移能力，训练范式的转变正在为通用智能研究开辟新方向。让系统在变化中学习、在试错中积累、在交互中成长，可能比单纯增加数据和算力更能触及智能的本质。未来，如何在提升泛化能力的同时确保可控性、可评估性和可解释性，将成为该领域应用落地的关键。