与源代码生成相关的是源代码理解，其中人工智能系统可以解释代码的语义并检测代码中可能出现的反常或与作者意图不一致的情况。 Allamanis等人（2016）（https://arxiv.org/abs/1602.03001）报告了过程名称预测的进展。

　　测试

　　国际模糊C代码竞赛 （OCCC，2016）发布了“难以理解”的代码。源代码理解可被认为是一种由人工评判的提高代码可读性的能力。

　　常识推理

　　常识推理可以说是通用人工智能的核心要素。该领域主要问题如下：

　　1.因果推断

　　2.反事实推断

　　3.直觉物理

　　4.直觉心理学

　　（10）因果推断

　　因果推断需要识别并应用原因-结果之间的联系。

　　测试

　　1.“证据的可信度”(可查看Commonsense Reasoning, 2015)

　　2.“狼和兔子”(可查看Commonsense Reasoning, 2015)

　　（11）反事实推断

　　反事实推断被用以回答假设问题。它使用因果推断和系统中的其他模拟及推理能力，来考虑事实与现实相反的情境。（译者注：反事实推断的例子：小明有高血压，现在想要知道一种降压药对降血压有没有因果效应。如果小明吃了药，atv，那么此时，事实是小明吃了药，结果是小明吃了药之后血压有没有下降。反事实就是，小明没有吃药，因为不是事实所以我们无法观察到没有吃药对小明有什么影响。无法观察到反事实时的结果也被称为因果推断关键问题（fundamental problem of causal inference）。）

　　测试

　　1.“残酷且不寻常的耶鲁射击问题” (可查看Commonsense Reasoning, 2015)

　　（12）直觉物理

　　对物质世界的基本理解，包括物体存继性和预测可能轨迹的能力，j2直播，能帮助智能体更快的学习并做出预测。

　　测试

　　1.“物理推断”(可查看Commonsense Reasoning, 2015)

　　2.“把手问题”(可查看Commonsense Reasoning, 2015)

　　（13）直觉心理学

　　直觉心理学，亦称心灵理论，能够让智能体理解目标和信念，并且从其他智能体的行为中做出推断。

　　测试

　　1.“朴素心理学”(可查看Commonsense Reasoning, 2015)

　　学习

　　除了在机器学习领域巨大的发展，很多和学习相关的重要问题依然尚未解决。它们包括：

　　1.渐进学习

　　2.无监督学习

　　3.强泛化

　　4.从少数样本中类别学习

　　5.学会学习

　　6.组成学习

　　7.不遗忘学习

　　8.转移学习

　　9.知道何时你不知道

　　10.经由行动学习

　　（14）渐进学习

　　人类具有终身学习越来越复杂任务的能力。人工智能体亦该如此。这个想法的不同版本在终身（https://pdfs.semanticscholar.org/ce73/094b2c1c31c73b71e596963a86aed30728d1.pdf）文献里有讨论。在GoodAI，我们采用的是长期渐进的学习对知识和技能的长期积累。它要求在下面讨论的几个技能的组合：

　　· 成分学习

　　· 学会学习

　　· 学习并不忘记

　　· 转移学习

　　测试

　　应用于家用机器人学习家务和翻屋保养的一个可能测试，包括取得工作所需的工具和材料。该测试通过两个准则来评价智能体：持续的行动，其中智能体需要自主运行，寿命之内不再重新编程；改善能力，其中智能体必须在其演化不同的时间点展示出在之前所不具有的能力。

　　（15）无监督学习