也许设备学与AI小区现阶段遭遇的一个问题便是，了解优化算法如何运行。曼伊卡说：“像AI和机器学这种东西在一定程度上仍然归属于黑盒。还打不开他们，以寻找他们给的原因。”这时候延伸出诸多问题。设备学系统软件与现代AI都厂需要使用海量数据或照片进行练习，可以帮助他们识别模式或发展趋势。
当它获得新数据时，也可以通过早已把握的物品发觉相近方式。假如我们想找到CT扫描仪中出现的征兆，这也许特别好用。可如果我们利用相近系统软件想从视频里找到，并把它作为重要的法院直接证据时，了解它怎样确定就很关键。
即便在自动驾驶汽车行业，这类逻辑推理能力也依旧是一个非常大的考验。卡耐基-梅隆大学智能机器人金出武雄（TakeoKanade）是自动驾驶汽车领域内的先行者之一，都是机器视觉发言人。他表示给与智能机器人“真正了解”四周的水平依旧是必须解决很多考验。
他就解释说：“这不仅与鉴别物置相关，它必须可以真正了解四周的在干什么。打个比方，那人确实需在她们前边横穿马路吗。”在全自动“见主管”的项目中，哈维斯明确提出同样的问题。这个团队为名叫Betty的机器人编程，并派它前去全国各地人事工作，例如查验防火门窗是不是关掉、测量噪声、统计分析正常上班时间以外员工加班情况等。