在科技新闻中常看到对于机器学习(ML)与人工智能(AI)的一些报道，大众虽然常互换使用，但机器学习与人工智能是不一样的机制。

　　人工智能最早可以追溯到1956年，当时多名计算机科学家在达特茅斯会议上共同提出了人工智能的概念。在随后几十年中，人工智能一方面被认为是人类文明未来的发展方向，另一方面也被认为是难以企及的梦想。而机器学习的概念来自于人工智能发展的早期，随后多年中，基于算法的方法包括决策树学习、归纳逻辑编程、聚类算法、强化学习，以及贝叶斯网络等等。正如我们所知，这些技术最终都未能形成通用人工智能，而早期的机器学习方法甚至也没有带来狭义人工智能。

　　Forbes曾专门论及机器学习与人工智能的不同，机器学习是编辑程式后的下一步，基本上是有关预测模型建立方面的技术，程式设计人员会设计何时应给予正面或负面的反馈，其所建置的模型大小、使用的预测方式，都会影响机器学习预测的结果;机器学习也必须输入正确的资料，一旦步骤错误，就只能重新开始。

　　机器学习在基于现存数据预测方面是非常有用的，例如预测天气、客户是否会流失等，但机器学习并没有反馈机制，因此假设机器学习在运行过程中出错就不会自我检测并找出正确的答案。

　　机器学习就像是等着老师给予答案的学生，人工智能与机器学习最大的不同点在于拥有反馈机制，在错误产生时可以自己修復，并积极寻找更新或更好的资料来源。

　　人工智能可与世界互动，适应变化，自动追求更多额外资料消化，可认为拥有自己的学习权，像是好奇心旺盛的学生。人工智能是主动式学习，机器学习则是反应式学习。

　　若人们仅是需要一个单纯的预测模型，且使用静态资料，那机器学习就会是很简单的方式。而人工智能可用于变动性资料上，由于人工智能对环境有适应性，因此在获得问题后，将自主构建所需的模型解决该问题，与外部变动的世界保持高度互动，不断提取新资料以获得需要的结果。

　　因此机器学习和人工智能之间有明显的区别，端看使用者的目地取向，如果是要输入特定资料跑预测，那就使用机器学习;若是要得到事情的解决方案，那就使用人工智能。

　　机器学习可以得出事情的规律，但不能完全验证、批判和确定规律就是现实，也不会对资料蕴含的偏见做出识别，若要探讨问题的根源，仍必须寻求资料科学家与人工智能的能力。