एक स्थिति पत्र में तर्क दिया गया है कि आधुनिक AI सिस्टम को सामान्यीकरण को बेहतर बनाने के लिए प्रतिक्रियात्मक रखरखाव चक्रों से सक्रिय, परीक्षण-आधारित विकास की ओर बढ़ना चाहिए। वर्तमान प्रतिक्रियात्मक पाइपलाइन मॉडल को पैच करने के लिए उपयोगकर्ता त्रुटियों का अवलोकन करने पर निर्भर करती है, जो अक्सर व्यापक सिस्टम उद्देश्यों को नजरअंदाज करता है और भविष्य के किनारे के मामलों की पूर्व-अनुमानित करने में विफल रहता है।
लेखकों ने कार्य उद्देश्यों को फीडबैक डेटा से मैप करने के लिए एक "टेस्ट स्पेस" बनाने का समर्थन किया, जिससे चक्र प्रतिक्रियात्मक से सक्रिय में विकसित होता है। उन्होंने गणितीय रूप से सिद्ध किया है कि यह सक्रिय दृष्टिकोण प्रतिक्रियात्मक विधियों की तुलना में कम पुनरावृत्तियों के साथ बेहतर दीर्घकालिक स्केलिंग प्राप्त करता है।
यह बदलाव खुले-दुनिया उपयोग मामलों में शेष त्रुटियों को एकत्र करने के सांख्यिकीय कठिनाई को संबोधित करता है और अधिक सामान्यीकरण योग्य AI सिस्टम बनाने का लक्ष्य रखता है।