机器学习，是基于认知基础架构研究如何使计算机模拟或实现人类学习活动的能力。

机器学习需要从经验数据中提取信息，来对新的数据进行分析和判断。比如，人看过少量的苹果和梨的样子之后，就可以判断新给的水果是苹果还是梨，我们也希望计算机拥有同样的能力，类似的判断问题就是机器学习研究的内容之一。

虽然机器学习经过了40多年的发展，但它和人类学习相比还有很多区别和很大差距。

第一，目前机器学习算法主要在计算机上运行，要受到美国计算机科学家冯·诺依曼的计算框架的限制，即所有计算都要表达成数字，而人脑的运行机制目前尚不明了。第二，在学习新的技能时，机器学习往往需要较多的数据，而人类学习通常不需要。第三，机器学习难以整合多模态数据，而人类学习天然可以融合视、听、触等通过感官获得的多模态信息。第四，机器学习难以融合数值计算和逻辑推理，难以提炼因果关系，而人类学习可以融合数值计算和逻辑推理，且较为擅长观察因果关系。

第五，机器学习通常是对给定的一个学习任务进行学习，而且是短期学习，即学习之后很少会再进行进一步的学习和训练；人类学习刚好相反，我们的学习过程是持续不断地进行的，学习之后可以产生自主的学习任务，而且是终身学习。

纵观人工智能60多年的发展历史，它经历了推理期、知识期和机器学习期三个阶段。在推理期，科学家们试图把逻辑推理能力赋予机器；在知识期，科学家们试图将所总结的人类知识教给机器。这两种让机器拥有“智能”的途径，都被证明有重大缺陷。相应地，所打造的机器的智能水平也非常有限。

20世纪80年代以来，随着各种信息数据的增多，人工智能进入了机器学习阶段。在这一阶段，科学家们让机器从数据中自动学习模型和算法。以深度学习为代表，机器学习取得了重大突破，在语音识别、图像识别、自然语言处理等领域取得了巨大成功。

由于当前人工智能技术强烈依赖于数据，而机器学习又主要关注如何从数据中进行自动分析和建模，因此毫不夸张地说，机器学习在当前人工智能技术中占据着核心地位，是人工智能的核心领域之一。往往在机器学习有了重大突破后，人工智能的其他领域也会取得重大进展。

（作者系北京大学博雅特聘教授、智能学院副院长。本文摘编自《立心之约：中学生AI微课十讲》，内容有删改，题目为编者加。）