该论文提出了一种基于认知系统的深度网络模型，通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理。同时，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

本文探讨了交互式LLM作为认知系统的优势和不足，重点关注2023年左右的LLMs与人类认知系统之间的实质性差异。作者认为，LLMs不能实现朝人级通用人工智能迈进的目标，但仍可作为整合其他思想的人级通用人工智能体系结构的重要组成部分。文章还简要提及了与LLMs相关的社会和伦理事项。