這一定義似乎也符合人類認知的特點——沒有哪個人是不需要學習，從小就懂得所有事情的。人的智慧離不開長大成人過程裏的不間斷學習。因此，今天最典型的人工智能係統通過學習大量數據訓練經驗模型的方法，其實可以被看成是模擬了人類學習和成長的全過程。如果說人工智能未來可以突破到強人工智能甚至超人工智能的層次，那從邏輯上說，在所有人工智能技術中，機器學習最有可能扮演核心推動者的角色。
當然，機器目前的主流學習方法和人類的學習還存在很大的差別。舉個最簡單的例子：目前的計算機視覺係統在看過數百萬張或更多自行車的照片後，很容易辨別出什麼是自行車，什麼不是自行車，這種需要大量訓練照片的學習方式看上去還比較笨拙。反觀人類，給一個三四歲的小孩子看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩子也十有八九能做出那是一輛自行車的判斷。也就是說，人類的學習過程往往不需要大規模的訓練數據。這一差別給人類帶來的優勢是全方位的。麵對繁紛複雜的世界，人類可以用自己卓越的抽象能力，僅憑少數個例，就歸納出可以舉一反三的規則、原理，甚至更高層次上的思維模式、哲學內涵等。最近，盡管研究者提出了遷移學習等新的解決方案，但從總體上說，計算機的學習水平還遠遠達不到人類的境界。
如果人工智能是一種會學習的機器，那未來需要著重提高的，就是讓機器在學習時的抽象或歸納能力向人類看齊。
定義五：ai就是根據對環境的感知，做出合理的行動，並獲得最大收益的計算機程序
針對人工智能，不同的定義將人們導向不同的研究或認知方向，不同的理解分別適用於不同的人群和語境。如果非要調和所有看上去合理的定義，我們得到的也許就隻是一個全麵但過於籠統、模糊的概念。
維基百科的人工智能詞條采用的是斯圖亞特·羅素（stuart russell）與彼得·諾維格（peter norvig）在《人工智能：一種現代的方法》一書中的定義，他們認為：
人工智能是有關“智能主體（intelligent agent）的研究與設計”的學問，而“智能主體是指一個可以觀察周遭環境並做出行動以達致目標的係統”。
基本上，這個定義將前麵幾個實用主義的定義都涵蓋了進去，既強調人工智能可以根據環境感知做出主動反應，又強調人工智能所做出的反應必須達致目標，同時，不再強調人工智能對人類思維方式或人類總結的思維法則（邏輯學規律）的模仿。
以上，我們列舉了五種常見的人工智能的定義。其中，第二種定義（與人類思考方式相似）特別不可取。人們對大腦工作機理的認識尚淺，而計算機走的是幾乎完全不同的技術道路。正如深度學習“三巨頭”之一的揚·勒丘恩（yann le cun）所說，對深度神經網絡，“我最不喜歡的描述是‘它像大腦一樣工作’，我不喜歡人們這樣說的原因是，雖然深度學習從生命的生物機理中獲得靈感，但它與大腦的實際工作原理差別非常非常巨大。將它與大腦進行類比給它賦予了一些神奇的光環，這種描述是危險的。這將導致天花亂墜的宣傳，大家在要求一些不切實際的事情。人工智能之前經曆了幾次寒冬就是因為人們要求了一些人工智能無法給予的東西”。國內著名機器學習專家、南京大學教授周誌華則說：“現在有很多媒體，常說深度學習是‘模擬人腦’，其實這個說法不太對。我們可以說從最早的神經網絡受到一點點啟發，但完全不能說是‘模擬人腦’之類的。”
第一種定義（讓人覺得不可思議）揭示的是大眾看待人工智能的視角，直觀易懂，但主觀性太強，不利於科學討論。第三種定義（與人類行為相似）是計算機科學界的主流觀點，也是一種從實用主義出發，簡潔、明了的定義，但缺乏周密的邏輯。第四種定義（會學習）反映的是機器學習特別是深度學習流行後，人工智能世界的技術趨勢，雖失之狹隘，但最有時代精神。第五種定義（維基百科使用的綜合定義）是學術界的教科書式定義，全麵均衡，偏重實證。
基本上，偏重實證是近年來人工智能研究者的主流傾向。在今天這個結果至上的時代裏，沒有多少人願意花心思推敲人工智能到底該如何定義。有那個時間，還不如去搞幾個深度學習的新模型，發幾篇深度學習新算法的論文來得劃算。
在圖書館看完了這篇關於人工智能介紹的小水，閉上有些累的眼睛，等自己再睜開的時候居然看見一個熟人，對就是熟人，雖然彼此才見過一麵。