另外一种观点，即机器人具备部分的人工智能，我们称之为“弱人工智能”，它在某个不确定性的环境下能够做一些事情。具备部分智能的机器人是目前工业界的主流观点，只要能产生实实在在的智能，就有价值了。
关于什么是人工智能，大家常常有哲学思辨的热情。历史上有一个著名的讨论，叫做“思想实验”，它讲的是：一个房间里面关着一个英国人，从来不知道中文和中国的任何事情，然后房间的桌子上面有一本书让他认知，这时从门外递进一张英文的条子，让他到神奇的书里面查阅后写出一份中文的翻译，结果他写出来了。这看起来这很智能，但是这个英国人并不懂中文，他写出翻译这个外表的行为是不是他内在真正的智能呢？行为上面表现的智能并不是真正的智能。我个人认可另外一种回答，也就是这个英国人不懂中文，但是“英国人＋书＋房间”，这个系统是智能的。
什么是Robot？我们中文把它翻译成机器人，我认为这个翻译是有误导性的，不够准确。剑桥辞典的翻译是：“在计算机控制下具有自主行为的机器”。我们再看Android（安卓），它的意义是：“长得像人的robot”，也就是Android才应该翻译成机器人。什么是robot？什么是普通的machine（机器）？
按照确定性和固定的程序进行操作，具备一致性的产品是机器，在传感器指引下能够感应、自适应不确定性环境的机器，就是robot，它具有很大的市场，已经有一大批的公司拥有了大市值。工业4.0会讲到C2M（顾客对工厂），用户的个性化订单直接反映到工厂生产，每个商品背后是具体的用户订单需求，在这种情况需要强大的robot流水线。
在大城市，你永远面对不确定性的车况，如果一个机器能够自主地驾驶，在不确定的环境中去捕捉瞬间的变化，然后转化为对路况的理解，然后形成控制的决策，这就是robot，所以robot需要长得像人吗？我们面临的机器人产业是非常宽泛的。
1956年，AI这个词汇诞生，当时科技领域的先贤者召开了AI会议，提出了非常有远见的思考：怎么让机器仿真，实现智能？当然，他们的思想不是最早的，更早可以追溯到莱布尼茨，他最早提出通过数据演算出智能能力。
这些先贤者不仅有远见，而且还过分乐观，他们认为智能的基本问题可以在一个夏天解决，但是这个问题解决了吗？没有。维基百科词条“AI winter”列出了很多失败案例，为什么在长达的五六十年里面煽起大家那么多的热情，却没有产生我们期待的路径呢？
过去绝大部分的AI系统，更多以科学演绎的方式，演绎的概念就是类似“一生二，二生三，三生万物”，从一个基本法则出发，推导出一个纷繁复杂的系统（归纳是从纷繁复杂的世界提炼出简单的规律。以前受自然科学的研究影响，都是以不言自明的公理出发研究，比如认定上帝造人，但是以这样的思维出发会导致人工智能过于简单）。传统基于规则的AI系统没有成果，形成了很多的教训：
教训1：这个世界是纷繁的，存在着很多因素和要素，彼此之间有复杂的影响，形成复杂的网络和系统，这难以用一个公式来描述；
教训2：有很多因素和参量，你观测不到，所以系统具备不确定性。现实以概率运行，如果你用确定性的规则，没办法掌握这样的复杂系统，我们要采用基于统计的概念；
教训3：现实世界纷繁复杂，你很难完整描述，从数据中不断学习、对问题的理解，从而随着数据演化和进化是关键，这也就是我们今天讲的大数据时代的意义所在，本质上数据提供了我们了解世界的可能。随着数据演化，学习能力是一个关键。
我认为过去60年AI的一个总结是：基于规则的系统，统治了过去的AI时代。现在需要进入数据驱动的系统，把数据导到机器里面，机器通过消化和吸收生成对世界认知的模型。
我们再探讨些本质性的AI问题，归结出最简单的形式：通过观测到的现象、数据、知识，映射成预测、判断。比如，你输入一个图像，然后输出“物体”的名字，这样的映射就是图像识别；你输入一个语音讯号，然后输出“文本序列”，这是语音识别；你输入一段话，然后输出“解析的树状结构”，这是自然云储；你输入车辆行使周边路况的情况，然后输出“控制决策”，这是自动驾驶。
我们面临的很多问题是：如何从数据中学习映射函数，形成训练样本？比如把多个图片定义为“长颈鹿”的标签，系统通过训练学习，然后再给出类似的新图片的时候，该图片也能自动打上这个标签。
从有限推导无限，是不可能的，除非你提出假设，没有假设，就没办法做出判断。在古代，古人的智慧说“近朱者赤，近墨者黑”，就蕴涵了一个朴素的智慧，就是判断的时候一定隐含了假设：两个在某些方面相似的人，在其它方面具有相似的特征和特性。
这就反映到人工智能大数据学习的本质问题：假设的合理性。我们希望从数据得出的结论是简单的、光滑的，而不是复杂的，所以哲学上有一个词汇：剃刀原理，也就是能够同时解释某个现象的几条规律里面，我们喜欢选择其中最简单的规律。总而言之，我们希望能够找到一个规律，既能找到观测的样本，又得出简单的结果。
