近代人工智能發展自從 1950 年代電腦出現以後，科學家就不斷思考，如何使電腦更像人類，例如能夠自行思考、判斷對錯、以致能夠幫助人類處理所有工作，然而發展過程並不順利，中間歷經幾次失敗。若以技術發展為分界，可以大致分為三個階段： 第一階段：符號邏輯（1950到1960年）1950 年代，電腦剛問世，科學家們試圖想把人類的知識及思考模式放入電腦，但最終因人類都沒辦法完全了解自己的思考過程，根本無法將人類的思考脈絡、語言結構、決策能力具體的寫成電腦方程式，最後以失敗告終。 
第二階段：專家系統（1980到1990年）1980 年代，人類退而求其次，不再將思考模式寫入電腦，而是試圖將人類定義好的規則寫入電腦中，但最後還是失敗了，原因是規則永遠不會停止改變，比如說天氣狀況的走向、地震預測、火災警報，永遠都充滿變數，就算將所有狀況寫成方程式，也難保不會有未曾見過的情況，治標不治本，這是人類在人工智慧發展上遇到的第二次失敗。 
第三階段：機器學習（2010年至今）第三階段的發展約始於 2010 年，科學家們認為，既然無法將思考模式寫入程式，也無法將所有狀況告訴電腦，那不如將「學習」的能力交給電腦，真正實現智慧的展現。於是科學家僅教會電腦「識字」，再將大量的狀況丟給電腦，讓機器自行判斷，於是神奇的事情發生了，電腦找到了學習的邏輯，能夠自行進行優化更正，使人工智慧的發展有了極大的進展，且還在不斷的進步。 
機器學習依照問題界定的方式，可以分為四種類型：
深度學習 - 更加複雜的機器學習深度學習是更進階的機器學習分支，同樣都是為了建立迴歸／分類模型，唯一的差異在於深度學習使用人工類神經網路，而非其他統計模型。因此，您也可以將 深度學習視為 機器學習的次領域。但為什麼它現在變得那麼熱門？ 顧名思義，人工類神經網路是人工神經元構成的網路；而人工神經元則是一個數學單元，可在對輸入值進行簡單計算後，提供一些輸出值。它跟實際的神經細胞非常相似，因為後者的作用基本上大同小異：接收電子訊號並產生輸出。而人工類神經網路也在做相同的事：它接收資料值，讓網路中的所有神經元處理資料值，再輸出一些終值。由於這類網路需要很多層神經元（而且層層堆疊）才能運作，因此學者加了「深度」二字，強調其結構之複雜性。 
有人可能會想，為什麼這麼簡單的神經元，在大量平行和成串組合在一起後，居然能集體造就出 AI 產業中最出色的應用。這其實不難想像，只要將它與「實際的」生物演化過程比較就行了。單細胞生物本身的機能相當有限，不過，隨著大自然將更多細胞組合在一起，構成多細胞生物，更加複雜的生命形態也隨之誕生。然後，無脊椎動物演化成脊椎動物，魚類演化成靈長類，穴居人演化成智人（亦即我們），不只建造金字塔，還能發射火箭上太空。如果您可以體認到一大群細胞的力量，大概就能瞭解為什麼深度學習如此強大。 當然，有好必定有壞。使用深度學習，必須提供大量資料，才足以訓練出能用的統計模型（這也是為什麼「大數據」一詞會隨著深度學習的興起而出現）。再來，若要處理所有資料，必須具有強大的硬體，方可進行數以萬計的運算迭代。即使如此，深度學習已經向我們展示它無與倫比的可能性。以 Facebook 和 Pinterest 為例，Pinterest 利用深度學習進行更好的影像分類，而 Facebook 則運用類似技術，在使用者上傳相片時進行臉部辨識。（好比上傳照片時，Facebook常在您還沒tag好友之前就能自動顯示小方塊指出您的好友。） 除了社群媒體外，深度學習也同時支援我們日常生活中使用的工具，例如 Siri、Gmail（垃圾郵件偵測）、自動駕駛車等。工程師將深度學習視為 AI 的未來，因為它為 ML 的實際應用帶來接近無限的可能性。 |