Cooles Follow-up zu unserer Physical Atari-Arbeit. Menschen, die nur mit RL in schnellen und einfachen simulierten Umgebungen gearbeitet haben, unterschätzen die Komplexität der realen Welt erheblich; sie entwickeln letztendlich Forschungsziele, die in komplexen Umgebungen nicht erreicht werden können (z. B. Zero-Shot-Generalisation, Lernen kausaler Modelle). Physical Atari ist immer noch eine extrem einfache Umgebung und doch reicht sie aus, um die Einschränkungen der Methoden aufzuzeigen, die für das Lernen mit schnellen Simulationen entwickelt wurden. Menschen und Tiere lernen in Umgebungen, die um Größenordnungen komplexer sind als Physical Atari. Algorithmen zu entwickeln, die dasselbe tun können, sollte das Ziel sein, wenn wir reichlich Intelligenz wollen.