神经网络通常被编程为从数据集中学习以解决特定问题。本质上，它们执行非线性回归。
神经网络能否被编程为接收来自人类的输入，比如终端，开始成长和学习（类似于孩子的学习方式）？
一个程序既不知道其目的也不知道具体的数据集，但提供了足够的信息以根据输入进行学习、思考输入并提出问题。孩子通过经验发现他们的目的（在基于命运的哲学中）。因此，是否可以创建一个随着时间的推移学习其目的的人工智能？
通过持续开发（可能添加添加图像识别、语音分析等的扩展）以及通过用户交互来实现增长。最终学习“道德要求”或简单的做和不做以及如何与数据交互。
一个案例场景是与神经网络和大型数据集的问答会话。人类操作员知道答案的地方。首先，问题和答案被提供给神经网络。使其能够找到通过深度学习提供的答案。(1) 的有保证的置信度得分 - 随着问题的思考，它越接近答案，它“学习”的越多。
下一步是提供问题并等待答案。人类仍然知道这些答案，但正在测试“学习机器”，看它是否真的在学习，而不是“重复答案”。答案由机器提供，然后人类返回机器正确的百分比（希望并最终匹配其置信度分数）。并且在大量失败后为机器提供正确答案以重复第一步并改善学习。
最后一步是让机器在不知道解决方案的人的情况下回答问题，从而完成学习周期。人类将测试解决方案并将结果报告给机器，机器将调整过程并继续学习。然而，这一次它将开始从一组结果中学习。希望在问答环节中学习“数据挖掘”。