“不，你理解錯了，人工智慧是有研究意義的，”方正否定了龐小南的想法，“例如繁重的科學和工程計算本來是要人腦來承擔的，如今計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，因此當代人已不再把這種計算看作是需要人類智慧才能完成的複雜任務，可見覆雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，另一方面又轉向更有意義、更加困難的目標。”
“這倒是真的，”龐小南點了點頭，至少現在計算機能做很多機械的工作，而且比人類的大腦更快更準，“那你說說，智慧機器人的瓶頸在哪裡？”
“通常，機器學習的數學基礎是統計學、資訊理論和控制論。還包括其他非數學學科。這類機器學習對經驗的依賴性很強。計算機需要不斷從解決一類問題的經驗中獲取知識，學習策略，在遇到類似的問題時，運用經驗知識解決問題並積累新的經驗，就像普通人一樣。我們可以將這樣的學習方式稱之為連續型學習。但人類除了會從經驗中學習之外，還會創造，即跳躍型學習。這在某些情形下被稱為靈感或頓悟。一直以來，計算機最難學會的就是頓悟。”