本文从 Hebbian 学习的角度来描述镜像神经元，这是一种在 AI 中广泛使用的机制。我不知道文章中给出的公式是否曾经在计算上实现过。

无论是“我接球”还是“他接球”，所有存储的“接球”和“球”实例都将被弱激活，而“接球”将被强激活。这不符合“镜像”的条件吗？如果你也知道“我有一只胳膊”“他有一只胳膊”等等，那么当“他拿几块”时，不难想到“我可以拿几块”。

实际上，我们确实有很多类似的东西，3-D 电影实例的动作捕捉几乎立即浮现在脑海中。如果我考虑一下，问题不是观察另一个演员的情况，计算机相对擅长做这件事已经有了我们拥有的图像识别软件的数量，而是一个理解一个动作是否产生好的结果作为一个好的结果的问题net 这是计算机无法做到的，因为它不是单节点网络问题。例如，我们已经编写了一台计算机来理解人类语言（可以说是沃森），但即使是沃森也不理解说“f***”是不好的概念。（看那个，这是一个有趣的支线故事。）

但关键是，学习算法在某种意义上并不是真正的学习，因为计算机目前没有“好的结果”的感觉，因此在这个阶段，观察学习在某种意义上非常局限于“猴子看，猴子做”。

也许我读过的最接近的事情是网络上的消防搜索和救援机器人，当其中一个被摧毁时，它们会相互广播，因为机器人会知道该区域是他们必须避免的地方。

否则，我认为这是观察学习的问题。一个人可以观察到打人通常会让你反击，计算机会观察并模仿动作，无论好坏。