人和今天的AI相比，有一个明显的智慧优势，就是举一反三、触类旁通的能力。
很多人从孩提时代起，就已经建立了一种强大的思维能力——跨领域联想和类比。三四岁的小孩就会说“太阳像火炉子一样热”“兔子跑得飞快”，更不用提东晋才女谢道韫看见白雪纷纷，随口说出“未若柳絮因风起”的千古佳话了。以今天的技术发展水平，如果不是程序开发者专门用某种属性将不同领域关联起来，计算机自己是很难总结出“雪花”与“柳絮”，“跑”与“飞”之间的相似性的。
人类强大的跨领域联想、类比能力是跨领域推理的基础。侦探小说中的福尔摩斯可以从嫌疑人的一顶帽子中遗留的发屑、沾染的灰尘，推理出嫌疑人的生活习惯，甚至家庭、婚姻状况：
“他是个中年人，头发灰白，最近刚理过发，头上抹过柠檬膏。这些都是通过对帽子衬里下部的周密检查推断出来的。通过放大镜看到了许多被理发师剪刀剪过的整齐的头发茬儿。头发茬儿都是粘在一起的，而且有一种柠檬膏的特殊气味。而帽子上的这些尘土，你将会注意到，不是街道上夹杂沙粒的灰尘，而是房间里那种棕色的绒状尘土。这说明帽子大部分时间是挂在房间里的，而另一方面衬里的湿迹很清楚地证明戴帽子的人经常大量出汗，所以不可能是一个身体锻炼得很好的人。可是他的妻子——你刚才说过她已经不再爱他了。这顶帽子已经有好几个星期没有掸掸刷刷了。我亲爱的华生，如果我看到你的帽子堆积了个把星期的灰尘，而且你的妻子听之任之，就让你这个样子去出访，我恐怕你也已经很不幸地失去你妻子的爱情了。”
这种从表象入手，推导并认识背后规律的能力，是计算机目前还远远不能及的。利用这种能力，人类可以在日常生活、工作中解决非常复杂的具体问题。比如，一次商务谈判失败后，为了提出更好的谈判策略，我们通常需要从多个不同层面着手，分析谈判对手的真实诉求，寻找双方潜在的契合点，而这种推理、分析，往往混杂了技术方案、商务报价、市场趋势、竞争对手动态、谈判对手业务现状、当前痛点、短期和长期诉求、可能采用的谈判策略等不同领域的信息，我们必须将这些信息合理组织，并利用跨领域推理的能力，归纳出其中的规律，并制定最终的决策。这不是简单的基于已知信息的分类或预测问题，也不是初级层面的信息感知问题，而往往是在信息不完整的环境中，用不同领域的推论互相补足，并结合经验尽量做出最合理决定的过程。
为了进行更有效的跨领域推理，许多人都有帮助自己整理思路的好方法。比如，有人喜欢用思维导图来梳理信息间的关系；有人喜欢用大胆假设、小心求证的方式突破现有思维定式；有人则喜欢用换位思考的方式，让自己站在对方或旁观者的立场上，从不同视角探索新的解决方案；有的人更善于听取、整合他人的意见……人类使用的这些高级分析、推理、决策技巧，对于今天的计算机而言还显得过于高深。赢得德州扑克人机大战的人工智能程序在辅助决策方面有不错的潜力，但与一次成功的商务谈判所需的人类智慧相比，还是太初级了。
今天，一种名叫“迁移学习”（Transfer Learning）的技术正吸引越来越多研究者的目光。这种学习技术的基本思路就是将计算机在一个领域取得的经验，通过某种形式的变换，迁移到计算机并不熟悉的另一个领域。比如，计算机通过大数据的训练，已经可以在淘宝商城的用户评论里，识别出买家的哪些话是在夸奖一个商品好，哪些话是在抱怨一个商品差，那么，这样的经验能不能被迅速迁移到电影评论领域，不需要再次训练，就能让计算机识别电影观众的评论究竟是在夸奖一部电影，还是在批评一部电影呢？
迁移学习技术已经取得了一些初步的成果，但这只是计算机在跨领域思考道路上前进的一小步。一个能像福尔摩斯一样，从犯罪现场的蛛丝马迹，抽丝剥茧一般梳理相关线索，通过缜密推理破获案件的人工智能程序将是我们在这个方向上追求的终极目标。