Fajna kontynuacja naszej pracy nad Fizycznym Atari. Ludzie, którzy używali RL tylko w szybkich i prostych symulowanych środowiskach, w dużym stopniu nie doceniają złożoności rzeczywistego świata; kończą z celami badawczymi, które nie mogą być osiągnięte w złożonych środowiskach (np. zero-shot generalization, uczenie modeli przyczynowych). Fizyczne Atari wciąż jest niezwykle prostym środowiskiem, a jednak wystarcza, aby uwydatnić ograniczenia metod, które zostały opracowane do uczenia się w szybkich symulacjach. Ludzie i zwierzęta uczą się w środowiskach, które są rzędy wielkości bardziej złożone niż Fizyczne Atari. Opracowanie algorytmów, które mogą to samo robić, powinno być celem, jeśli chcemy obfitej inteligencji.