大的智能系统如医疗诊断、勘探等，不仅有大量的数据库，比较完全的规则库，丰富的专家经验。同时，由于其系统规模大，开发投资高，应用领域明确，使用环境变化较小，所以，研究开发的过程中比较重视静态知识的学习，而忽视动态知识的学习，或者说环境的自适应问题。而一些较小型的智能系统，如网络上使用的“蚂蚁”等，开发时比较困难或者无法手工创建，原因在于它们需要特定的细节知识或技能来完成特别复杂的任务（知识获取的瓶颈）。系统要能够根据经验来自动适应和定制自身，以满足具体用户的需求，例如个性化新闻或邮件过滤，个性化教程等等。在数据库中发现知识和模式，数据库挖掘，例如发现购买模式来指导市场经营，更好地理解人和其它生物的学习和教学过程等等。这样的系统更需要动态机器学习，系统自适应的方法。 　　当前机器学习研究时机比较成熟。主要原因是，一方面该领域的研究已经具备初步的算法和理论基础；另一方面，随着网络技术的发展在线数据量的不断增长，为机器学习提供了充足的数据；同时，计算机软硬件的发展使得机器本身已经具备了一定强度的计算能力，能够承受一定规模的计算量的算法。 　　人工智能主要是为了研究人的智能，模仿其机理，并将其应用于工程的科学。在这个过程中必然会问道：“人类怎样做才能获取这种特殊技能（或知识）？”。当前人工智能研究的主要障碍和发展方向之一就是机器学习。包括学习的计算理论和构造学习系统。现在的人工智能系统还完全没有或仅有很有限的学习能力。不能自动获取和生成知识，未来的计算机将有自动获取知识的能力。