在心理學上面有這樣一個心理現象，任何一個單詞如果將其重複的次數足夠多的話，這個單詞就會失去所有的意義。如果以這樣的概念來描述人工智能的話，那麼人工智能一詞早就應該土崩瓦解。但是，現實是人工智能出現越發頻繁，在科技領域無處不在，而且意義也從未減弱。
確切來講，人工智能是被誤用了，在商業化的市場上面被炒作和吹捧的太過，導致很多人都很難認同，同時媒體的報道也有一些誇大研究，在任何模糊的人工智能故事上都貼上“肆意妄爲”的標籤。
很多人常常歸結現在人工智能究竟是否智能。對於非專業人士來說，這可能是一個棘手的問題。相較於普通人來說，更願意將它與最熟悉的一種科學願景混爲一談：一臺比人類聰明許多倍的有意識的計算機。專家們把這個人工智能的具體事例稱爲人工通用智能，如果我們真的要創造出這樣的東西，那還有一段很長的路要走。在此之前，沒有人會因爲誇大人工智能系統的智慧或能力而受益。
儘管如此，卻依舊不妨礙這項技術對於我們社會的貢獻，比以往的時候都要大。如今的醫療，企業的管理，智慧城市的發展...它幫助人們創作音樂和書籍，它能仔細閱讀你的簡歷讓你的簡歷儘可能的被更多的企業看到，解決銷售型企業電話機器人好不好用的問題。亦或者，你的信用卡積分的上漲，手機上照片的調整。無論你是否能夠接受它，它正在改變你生活的樣子。
那麼，與其談論人工智能，不如談談“機器學習”。這是人工智能的一個子領域，涵蓋了目前對世界影響最大的幾乎所有研究方法（包括所謂的深度學習）。作爲這樣一個詞語，它沒有人工智能的神祕性，但它更有助於解釋這項技術的作用。
機器學習的解釋繁多，其實本質上就是計算機自己進行“學習”（並不是廣義上的學習）。但是這會帶來一個更大的問題。
讓我們從一個問題開始。假設你想創建一個能夠識別狗的程序。你可以試着用傳統的方法來做，比如用“狗有凸起的牙齒”和“狗有毛絨絨的尾巴”這樣明確的規則來編程。但是如果出現一張狼的照片，程序又將怎麼做呢？所以就需要對每個必須的規則進行編程，但是這又是非常耗時的，你必須在此過程中定義各種困難的概念，比如“牙齒”和“尾巴”。那麼最好的選擇是讓程序自己學習。如果你覺得識別圖片太過於普通，想要識別聲音，特別是人的聲音，最好是能實時交談的，那麼這就涉及到智能語音的行業了，雖然方向不一樣但同樣也是相應的原理，例如不同於傳統智能音箱的智能電話機器人，通過大數據的收集，並且在此基礎上面進行整合，構建成一個完整的語音系統。
其實，這個方法最大的優點是最明顯的：你永遠不需要編寫程序。當然，你需要做大量的修補工作，改進了系統處理數據的方式，找出了更智能的方法來獲取這些信息，但你並沒有告訴程序它應該尋找什麼。這意味着它可以發現人類可能會錯過或從未想過的模式。因爲程序所需要的只有數據（1或者0）你可以將其訓練成爲任何工作，畢竟現代社會充滿着數據。有了機器學習的這把錘子在手，就算數字世界就充滿了釘子，你也可以隨時用錘子將其錘入合適的位置。
指導計算機自學是一條絕妙的捷徑。就像所有的捷徑一樣，它需要走投機取巧。如果你願意，你可以認爲人工智能裏存在智慧。但這並不是真正的人類意義上的智慧，它也不遵循人類的原則。你也許會想問：一本書能有多聰明？平底鍋裏能蘊含什麼專業知識？
那麼我們如今在人工智能方面處於什麼位置呢？在數年的頭條新聞宣佈下一個重大突破之後，一些專家認爲我們已經達到了某種平穩期。但這並不是進步的真正阻礙。在研究方面，我們現有的知識中有大量的途徑可以探索，而在產品方面，我們只看到了算法的冰山一角。
李開復將當前這個時代描述爲一個“執行的時代”，在這個時代，技術開始“從實驗室向全世界擴散”。另一位風險投資策略家班尼迪克特·埃文斯(Benedict Evans)將機器學習比作關係數據庫。關係數據庫是一種企業軟件，在上世紀90年代大賺了一筆，並且徹底改變了整個行業。但機器學習是如此平常，以至於你的眼睛可能只是單純地看到了這一詞語。這兩位想表達的是，我們現在正處在人工智能迅速恢復正常的階段。埃文斯說:“最終，幾乎所有的東西都會在其內部某個地方進行機器學習，但沒有人會在意。”
他說的沒錯，但我們還沒到那一步。
就目前而言，人工智能—機器學習—仍然是一種新事物，常常無法解釋或未被充分研究。但在未來，人工智能會普遍到甚至被你忽視。