机器学习只是人工智能三大分支的其中一个分支。AI的三个分支分别是基于归纳的机器学习、基于神经网络的深度学习、基于罗辑推理的知识图谱。机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。 机器学习天然的有其缺陷，它主要解决的分类和聚类问题，关于一些具有丰富的知识结构的问题，无法解决。
从本质原理来说，目前的机器学习方法和人脑机制差异还是巨大的，更多的是通过大量数据来训练一个可以尽量逼近训练数据分布的模型，这种本质差异决定了机器学习离人脑思考方式还很遥远。最近深度学习和神经网络很火，最常用的卷积神经网络CNN的发明者Yann LeCun都不乐意称呼卷积神经网络这个名字，更乐意称呼深度卷积网络模型等名字，因为他觉得自己在搞的模型和人脑差异太大，不应该用神经网络的名称。从科研角度来说，一般每隔若干年就会有一次技术的质变的突破，然后紧接着一些修补完善。之前火过的SVM、AdaBoost、SIFT等，经过几年的优化后，性能基本达到极限，已经发展不动。这两年火了深度学习，目前还处于各种优化提高阶段，但应该也会到一定瓶颈后发展不动，然后需要更多的质变的突破。从工业应用来说，机器学习的方法应用会越来越多，目前应用的瓶颈主要体现在下面一些地方：1. 经验。机器学习的方法对于一般的工程师并不友好，如果没有了解原理和做过一些实验，这就是一个参数很多的黑盒，弄不好效果就会很差。2. 数据量。效果好的方法大都是有监督训练的，这就需要很多标注数据，数据的质量、归一化方法、分布等，对模型的效果都影响很大。3. 计算能力。很多模型，特别是深度学习模型，训练时间和资源消耗很大，如果需要多次训练调整策略和参数，周期很长。实际部署运行速度也受模型大小和种类影响，速度和效果会有一个权衡。4. 工程实现能力。好的算法要有好的工程实现，才能发挥正常的作用，代码能力不行，再好的模型也不行5. 算法搭配。实际问题往往不是一个单一的算法可以搞定的，需要多个相关算法合理的搭配组合，具体问题具体分析解决。6. 技术高度。机器学习还比较前沿，效果和应用场景都有天花板，期望未来几年会有更多技术突破。
对于机器逻辑，最缺的是创新、总结、容错率，即机器只能按固有模型优化，不能自我提升，突破性进阶；有了BUG就当机了，不会自动禁用部分程序做应急处理。 破解的难点在于情绪和神经网络，人和动物都是通过情绪反应，来拒绝接受一些信息以维持原有内在逻辑的稳定性的，所以即使有很多BUG依然可以持续运行。所以是不是可以通过多BUG稳定运行来求突破？依照目前的机器逻辑没觉得有可能突破，得有另一套逻辑从底层破解，重新架构才能完成。 比如机器人和机器人之间没有记忆延续，而我们通过基因可以直接承载祖辈趋吉避害的信息，从而加快学习进程，比如有人天生怕蛇，有人一直不吃鱼等等。
