Oppivatko ihmiset kuin muuntajat? Kysymys kuulostaa lähes filosofiselta, mutta Pesnot Lerousseau ja Summerfield tekivät siitä perusteellisen kokeilun. He kouluttivat sekä ihmisiä (n = 530) että pieniä muuntajaverkkoja samaan sääntöoppimistehtävään, ja manipuloivat sitten yhtä muuttujaa: koulutusesimerkkien tilastollista jakaumaa – täysin monimuotoisesta (jokainen esimerkki ainutlaatuinen) erittäin redundanttiin (samat kohteet toistuvat yhä uudelleen). Tulos on vaikuttava. Sekä ihmiset että transformerit osoittavat lähes identtistä herkkyyttä tälle manipulaatiolle. Koulutetaan monipuolisella datalla, ja oppijat yleistävät sääntöjä uusiin tilanteisiin ("kontekstissa oppiminen"). Harjoittele päällekkäisillä tiedoilla, ja he muistavat tiettyjä esimerkkejä ("painotuksen sisäinen oppiminen"). Strategioiden välinen siirtymä tapahtuu samassa kriittisessä pisteessä (Zipf-eksponentti α ≈ 1) sekä biologisissa että keinotekoisissa järjestelmissä. Kumpikaan ei voi helposti tehdä molempia—kunnes annetaan heille yhdistelmäjakelu, joka yhdistää monimuotoisuutta ja redundanssia, jolloin sekä ihmiset että muuntajat muuttuvat "kaksoisoppijoiksi". Mutta tässä ne eroavat: ihmiset hyötyvät opetussuunnitelmista. Kun esitä erilaisia esimerkkejä varhain, ihmiset oppivat yleistettävän säännön menettämättä kykyään muistaa myöhemmin. Transformerit sen sijaan kärsivät katastrofaalisesta häiriöstä – mitä tahansa he oppivat toisena, se korvaa sen, mikä tuli ensin. Sekä tekoälyn että koulutuksen kannalta tämä tarkoittaa: koulutusdatan rakenteella on yhtä suuri merkitys kuin sen sisältö. Ja vaikka transformerit saattavat yllättävällä tavalla vastata ihmisen oppimista, niiltä puuttuu silti joustavuus, joka mahdollistaa hyvin suunnitellun opetussuunnitelman hyödyntämisen. Artikkeli: