不过，即使是这样的相对简单的对于“智能”的功能性界定，也足以对目下主流的AI研究构成某种严峻的批评：

批评之一：自然智能虽然是为了面对环境的挑战而应运而生的，但对于这些环境挑战的种类与范围，则往往没有非常清楚的界定。举例来说，乌鸦肯定是在人类建立起城市的环境之前就已经演化出了自己的神经系统，因此，其所面临的原始环境肯定是不包含城市的——但这并不妨碍日本东京的乌鸦成为了一种高度适应城市环境的生物，并因此成为困扰东京市民的一项公害。这也就是说，即使是鸟类的自然智能，可能也都具有佛笃所说的那种处理“全局性”性质的能力，尽管我们尚且不知道其是如何获得这种能力的。与之相比较，传统的AI系统（无论是传统符号AI还是深度学习，还是所谓的“遗传算法”）却需要对系统所面对的环境或者是其所要处理的任务类型作出非常清楚的规定，并因此是不具备那种针对开放式环境的适应性的。

批评之二：自然智能往往采用相对经济的方式来对环境作出回应——譬如，我们很难设想一只猴子为了能够辨认出其母亲，需要像基于深度学习的人脸识别系统那样先经受海量的“猴脸”信息的轰炸，就像我们很难设想柯杰在获得能与Alpha Go一决高下的能力之前，需要像Alpha Go那样自我对弈几百万棋局一样。需要注意的是，尽管德国心理学家吉仁泽（Gerd Gigerenzer）曾在“节俭性理性”的名目下系统地研究过自然智能思维的这种经济性，但至少可以肯定的是，“节俭性”并不是目下主流人工智能所具有的特性。相反，对于信息的过分榨取，已经使得当下的人工智能陷入了所谓的“探索—榨取两难”（The exploration-exploitation dilemma）：换言之，不去海量地剥削人类既有的知识，机器便无法表现出哪怕出于特定领域内的智能——但一旦机器剥削既有人类知识“上了瘾”，机器又无法在任何一个领域内进行新的探索。与之相比较，相对高级的自然智能却都具备在不过分剥削既有知识的前提下进行创新的能力。