人的学习学的不是知识，而是获取数据、信息、知识经验的方法；机器的学习学的是数据、信息和知识，还不会活学活用。
不同的物质系统之间存在着相似性；同一物质系统的每个子系统与其整体系统之间也有相似性；具有不同运动形式和不同性质的物质系统，却遵守着相似的物理规律，这些事实都说明：相似性是自然界的一个基本特性。比如质量-弹簧-阻尼构成的机械系统与电阻-电感-电容构成的电路系统是相似系统，就反映了物理现象之间的相似关系（一般而言，相似关系可以用来化简复杂系统进行研究）。机器比较容易学习、迁移这种同质性、线性的相似系统，却很难实现异质性、非线性相似系统的类比、转换。但是人的学习却可以在对称与非对称、同质与非同质、线性与非线性、同源与非同源、同构与非同构、同理与非同理、同情与非同情、周期与非周期、拓扑与非拓扑、家族与非家族之间任意自由驰骋、漫步。
机器的学习离不开时间、空间和符号，而人的学习则是随着价值、事实、情感变化而变化的系统；机器的学习遵循、按照、依赖已有的规则，而人的学习则是如何修改旧规则、打破常规则、建立新规则。例如真正优秀的领导人和指挥员在于如何打破规则——改革，而不是按部就班地迈着四方步稳稳当当地走向没落和腐朽，更不是眼睁睁看着疫情泛滥施虐双眼却盯着竞选和乌纱帽。
2017年3 月 16 日美国国防高级研究计划局（DARPA）计划启动 " 终身学习机器 "（Lifelong Learning Machines，L2M）项目，旨在发展下一代机器学习技术，并以其为基础推动第三次 AI 技术浪潮。DARPA 认为 AI 技术的发展已历经第一次和第二次浪潮，即将迎来第三次浪潮。第一次 AI 技术浪潮以 " 规则知识 " 为特征，典型范例如 Windows 操作系统、智能手机应用程序、交通信号灯使用的程序等。第二次 AI 技术浪潮以 " 统计学习 " 为特征，典型范例如人工神经网络系统，并在无人驾驶汽车等领域取得进展。虽然上述 AI 技术对明确的问题有较强的推理和判断能力，但不具备学习能力，处理不确定问题的能力也较弱。第三次 AI 技术浪潮将以 " 适应环境 " 为特征，AI 能够理解环境并发现逻辑规则，从而进行自我训练并建立自身的决策流程。由此可知，AI 的持续自主学习能力将是第三次 AI 技术浪潮的核心动力，L2M 项目的目标恰与第三次 AI 浪潮" 适应环境 " 的特征相契合。通过研发新一代机器学习技术，使其具备能够从环境中不断学习并总结出一般性知识的能力，L2M 项目将为第三次 AI 技术浪潮打下坚实的技术基础。目前，30个性能团体的庞大基础，通过不同期限和规模的拨款、合同开展工作。
2019年3月，DARPA合作伙伴南加州大学(USC)的研究人员发表了有关探索仿生人工智能算法的成果：L2M研究员兼USC维特比工程学院的生物医学工程和生物运动学教授Francisco J. Valero-Cuevas与该学院博士生AliMarjaninejad、Dario Urbina-Melendez和Brian Cohn一起，在《自然-机器智能》(Nature Machine Intelligence)杂志上发表了一篇文章，文中详细介绍了人工智能控制的机器人肢体的成功研发。该肢体由类似动物的肌腱驱动，能够自学行走任务，甚至能自动从平衡失调中恢复。
推动USC研究人员开发这一机器人肢体的是一种仿生算法，只需五分钟的“非结构化游戏”(unstructuredplay)，就能自主学习行走任务；也就是说，进行随机运动，使机器人能够学习自己的结构和周围的环境。
当前的机器学习方法依赖于对系统进行预编程来处理所有可能的场景，复杂、工作量大且低效。相比之下，USC研究人员揭示，人工智能系统有可能从相关的经验中学习，因为随着时间的推移，它们致力于寻找和适应解决方案，以应对挑战。
实际上，对于众多无限的学习而言，人是很难实现终身的，总有一些能学习到，还有许多另一些也一知半解甚至一无所知的更多，对于没有“常识”和“类比”机理的机器而言，终身学习也许就是一个口号！首先需要理清楚的应该是：哪些能学？哪些不能学？
人类的学习是全方位的学习，不同角度的学习，一个事物可以变成多个事物，一个关系可以变成多个关系，一个事实不但可以变成多个事实，甚至还可以变成多个价值，更有趣的是，有时，人的学习还可以多个不同的事物变成一类事物，多个不同的关系可以变成一个关系，多个事实可以变成一个事实，甚至还可以变成一个价值。而机器学习本质上是人（一个或某些人）的认知显性化，严格意义上，是一种“自以为”“是”，即人们常常只能认出自己习惯或熟悉的事物，所以，这个或这群人的局限和狭隘也就在不自觉中融进了模型和程序中，因而，这种一多变换机制往往一开始就是先天不足。当然，机器学习也并不是一无是处，虽然做智能不行，但用来做计算机或自动化方向的应用应该还是不错的！
如果说，学习的实质就是分类，那么人的学习就是获得并创造分类的方法，而机器学习只是简单地被使用了一些分类的方法而已。DARPA的 " 终身学习机器"（Lifelong Learning Machines，L2M）项目本质上也许就是一个美丽的泡泡，吹一下就会忽高忽低地漂浮在空中，尽管阳光照耀之下也会五彩斑斓，但终究会破灭的吧！