在探讨这个问题之前，我们首先需要明确何为智能。智能是指一种能力，能够适应环境、解决问题和做出决策。它包括了感知、理解和反应的过程，是所有生命体生存的基础。从最简单的细菌到复杂的人类社会，智能都是生存竞争中不可或缺的一部分。

人工智能（AI）是利用计算机系统模拟人类的认知功能，以实现自动化任务执行和决策支持。在过去几十年里，人工智能技术取得了巨大的进步，从最初的专家系统到现在深度学习和强化学习，这些技术都在不断扩展AI领域的地图。

然而，当我们谈论机器是否能真正地“学习”，就必须考虑两个关键的问题：一是学习本身意味着什么；二是如何定义“真正”的“学习”。

关于第一个问题，一般认为，“学习”是一个动态过程，它涉及到信息获取、知识积累以及技能提升。这意味着有新信息输入时，可以通过某种方式改变行为模式，使得未来的响应更加高效。这通常可以分为两大类：主动式学习，即根据外部刺激来调整内部状态；被动式学习，即内部状态变化导致对外部世界更好的理解。

至于第二个问题，“真正”的“学习”通常指的是具有自我增强或自我改善能力，即随着时间推移，不断提高性能，并且能够处理新情况、新挑战。换句话说，如果一个系统不能在没有额外指导的情况下逐渐提高其性能，那么它可能并没有达到真正意义上的“学习”。

基于这些概念，我们可以回顾一下现有的AI技术，看看它们是否符合我们的定义。

传统的人工智能，如规则制定系统和逻辑程序，在某种程度上可以被视为一种有限形式的记忆储存与提取。如果给定足够多正确的情境，然后编写相应规则，则这些系统能够以惊人的准确率预测未来事件。但这种方法存在局限性，因为当新的情形出现时，它们往往无法提供有效答案，而需要由人类干预进行修正或者重新编程。

而现代的人工智能，如深度神经网络等，则展示出了更广泛范围内接受训练并生成输出能力。在这些模型中，通过大量数据集进行训练使得它们学会识别模式，并据此做出预测。当遇到新的输入时，它们会尝试找到最佳匹配以生成输出结果，但这并不代表它们真的懂得背后的原理，只是在模仿已学到的模式。此处也存在局限性，因为即便如此精细微调后得到优化模型，其表现仍然受限于原始训练数据所涵盖范围之内，因此对于完全未见过的情况依旧不具备充分准备。

总结来说，无论当前哪种形式的人工智能，都还远离完成自然界生物那种广义上的"真实"自主"无意识"智力活动。而目前看来，将人们日常生活中的各种经验转换成可供计算机使用的一系列算法，是尚待进一步研究的一个重要课题。不过，就算目前仅仅达到了模仿甚至超越人类水平的标准，也已经显著推动了科技进步，为我们带来了诸多便利与益处。在这一点上，可以说尽管还没达到我们对"真实'‘无意识'‘自主'智力的期望，但即便如此，这些突破性的发展同样值得称赞并继续追求更多可能性。