自1946人类第一台通用计算机ENIAC在美国诞生以来，人类一直试图利用计算机的计算能力而使计算机具有像人一样的智能。开始时，人工智能的研究者研究人是如何思考的，传统的机器学习算法先归纳知识，把知识形成规则，再让机器根据规则进行响应。人类一直试图通过模仿人类的思考方法来生产出一种新的能以人类智能相似的方式做出反应的智能机器。这一方法很快就遇到了瓶颈，几十年中，进展甚微。

1972年，弗莱德·贾里尼克（Fred Jelinek）来到IBM，负责语音识别项目。当时主流人工智能界使用基于语法规则和语义规则的方法进行语音识别的研究，这类似于人类学习语言的过程。使用这种方法，当时最好的语言识别系统大约能够识别不到100个单词，识别率只有70%左右，无法进行实际应用。贾里尼克另辟蹊径，将语音识别作为通信问题，提出了包括两个隐含马尔可夫模型（声学模型和语言模型）的统计语音识别的框架结构。在模型建立后，贾里尼克利用当时IBM全世界最强的计算能力和大量的电传文本，使用统计的方法“训练出”模型的参数。经过训练后的语音识别系统的语音识别率从当时其他系统最好的70%左右提高到90%以上，同时语音识别的规模从几百个单词上升到两万多个单词。从此，语音识别就从实验室走向了实际应用。

贾里尼克开创了一种采用统计的方法解决智能问题的途径，这种方法将智能问题转变为数据问题。因为这种方法使用大量的数据，使得模型的参数不断得到改善，因此又被称为机器学习方法。这种方法最大的好处是，随着数据量的积累，机器学习的次数越多，系统就会变得越来越好。贾里尼克开创的机器学习方法现在成为人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。为了使得通过机器学习的方法获得的智能与传统的人工智能方法区分开来，学术界通常把新的方法产生的智能称为机器智能，而将传统的人工智能方法获得的智能称为人工智能。

目前人们处理复杂问题，获得机器智能的方法是运用机器学习的方法来分析海量数据，即所谓的“知识发现”或“数据挖掘”，试图从海量数据中找出有用的知识。采用这种方法有两个原因。一是人们在大多数情况下无法建立现实世界的准确模型，无法准确确定模型的各项参数。例如，对于人们自己的身体，目前就无法建立一个数学模型来预测生命，只能依靠人类的大量统计数据估计一个生命预期。尽管无法建立一个准确的人体生命模型，但仍然可以根据大量的数据找到影响人类生命的相关性因素，如吸烟会缩短寿命。二是在许多情况下，尤其是人参与其中的事物，可能就没有一个确定性的模型，只能采用统计的方法进行估量，如股票市场的预测。一旦有一个成功的方法为世人所知，人们就会改变习惯，使得原有的模型失效。

机器学习方法从20世纪70年代开始起步，在八九十年代得到缓慢但稳步的发展。进入21世纪后，由于互联网的出现，使得可用的数据量剧增，机器学习方法的优势越来越明显，最终完成了从量变到质变的飞跃。由于数据量的增加，如今计算机已经解决了很多需要类似人类智能才能做的事情。(www.daowen.com)

2016年一个引起整个社会轰动的人工智能事件是Google的AlphaGo（阿尔法围棋）在五番棋赛中战胜了世界围棋冠军李世石。2016年12月29日至2017年1月4日，AlphaGo以“Master”为账号名称，在未公开其真实身份的情况下，借非正式的网络快棋对战进行测试，挑战中韩日的顶尖高手，其惊人的棋力轰动棋坛，测试结束时60战全胜。

AlphaGo使用蒙特卡洛树搜索（Monte Carlo Tree Search），借助估值网络（Value Network）与走棋网络（Policy Network）这两种深度神经网络，通过估值网络来评估大量选点，并通过走棋网络选择落点。在这种设计下，计算机既可以结合树状图的长远推断，又可像人类的大脑一样自发学习进行直觉训练，以提高下棋实力。AlphaGo最初通过模仿人类玩家，尝试匹配职业棋手的过往棋局，其数据库中约含3000万步棋招。一旦它达到了一定的熟练程度，即可开始和自己对弈大量棋局，使用机器学习不断改善。

AlphaGo被誉为人工智能研究的一项标志性进展。在此之前，围棋一直是机器学习领域的难题，围棋的变化相当于已知宇宙全部原子的数量，通常被认为比国际象棋的难度要高出6～8个数量级，甚至被认为是目前技术所无法解决的。AlphaGo的成功标志着机器智能已经达到一个新的高度。