การสอนให้หุ่นยนต์ทำงานอะไรบางอย่างมักต้องอาศัยการเขียนโค้ดโดยตรง การทดสอบลองผิดลองถูก หรือการประคับประคองหุ่นยนต์ไว้ แต่อีกไม่นาน เพียงแค่ทำให้หุ่นยนต์ดู มันก็อาจจะเรียนรู้เลียนแบบได้เอง ดังที่นักวิจัยจาก MIT ได้พัฒนาระบบชื่อว่า Planning with Uncertain Specifications (PUnS) ที่ช่วยให้หุ่นยนต์เรียนรู้งานที่ซับซ้อนอย่างการจัดโต๊ะอาหารได้
แทนที่จะใช้วิธีการเดิมที่หุ่นยนต์ได้รับรางวัลเมื่อปฏิบัติงานได้ถูกต้อง ระบบ PUnS นั้นจะทำให้หุ่นยนต์ยึดหลัก “ความเชื่อ” ถึงข้อกำหนดต่างๆ และใช้ภาษา (linear temporal logic) ที่ให้มันคิดอย่างมีเหตุผลว่าต้องทำอะไรทั้งตอนนี้และต่อไป
การที่จะให้หุ่นยนต์ทำงานได้ผลออกมาตามที่ต้องการนั้น ทีมวิจัยได้ตั้งเกณฑ์ที่ช่วยให้หุ่นยนต์ตอบสนองกับความเชื่อโดยรวม เกณฑ์เหล่านั้นสามารถตอบสนองกับข้อกำหนดด้วยความน่าจะเป็นสูงสุด จำนวนข้อกำหนดสูงสุด หรือโอกาสล้มเหลวที่น้อยที่สุด นักออกแบบอาจใช้หุ่นยนต์เพื่อความปลอดภัยได้เมื่อทำงานร่วมกับวัตถุอันตราย หรือใช้เพื่อคุณภาพคงที่เมื่อใช้ในโรงงาน
ระบบของ MIT มีประสิทธิภาพมากกว่าวิธีการแบบดั้งเดิมในการทดลองขั้นต้น หุ่นยนต์ที่ใช้ระบบ PUnS ทำผิดพลาดเพียง 6 ครั้ง จากความพยายามทั้งหมด 20,000 ครั้งในการจัดโต๊ะอาหาร แม้แต่เวลาที่นักวิจัยลองเพิ่มความซับซ้อนอย่างเอาส้อมไปซ่อน หุ่นยนต์ก็จัดการจัดโต๊ะให้เสร็จสิ้นแล้วกลับมาจัดวางส้อมต่อได้เมื่อส้อมโผล่กลับมา ด้วยวิธีนี้ มันแสดงให้เห็นถึงความสามารถเหมือนมนุษย์ในการตั้งเป้าหมายโดยรวมอย่างชัดเจนและกระทำได้โดยไม่ได้เตรียมมาก่อน
ท้ายที่สุดแล้ว นักพัฒนาต้องการให้ระบบไม่ใช่แค่เรียนรู้ผ่านการดูตัวอย่าง แต่ตอบสนองต่อข้อเสนอแนะด้วย เช่น การบอกสิ่งที่ถูกต้องหรือวิจารณ์ผลงานของหุ่นยนต์ เป็นต้น ซึ่งยังคงต้องอาศัยการพัฒนาอีกมากกว่าจะถึงจุดที่หุ่นยนต์ในบ้านจะสามารถปรับตัวรับงานใหม่ๆ ได้เพียงดูจากคนทำให้ดูเป็นตัวอย่าง