1.预测难：学习后知识库发生了什么变化，系统功能的变化的预测难；
　　目前的大多数专家系统都是脱离环境的学习，即将人类专家准备好的知识，以某种方式传授给机器。尽管如此，机器学习的不可预测性使得中国的主要专家系统：中医医疗诊断系统难以得到真正的实际应用。如果将机器学习的目的扩展到从环境中、从工作中、从人机交互中自动提取、更新知识，那么学习产生的效果就更加不可预测。
　　2.归纳推理：现有的归纳推理只保证假，不保证真（演绎推理保真）。而且，归纳的结论是无限多的，其中相当多是假的，给生成的知识带来不可靠性；
　　演绎推理是从多数现象中总结出结论，如：根据今天下雨了同时也阴天，昨天下雨了也是阴天，前天…..，可以演绎出规则：下雨 → 阴天。即从一般的现象推倒出总结性的结论。
　　归纳推理是从特殊的数个例子中总结出一般的规律。例如：燕子会飞 → 鸟会飞。比较容易产生错误，比如：鸵鸟不会飞。孔雀也不会飞。当然死鸟更不会飞。
　　演绎与归纳不是矛盾的，各有利弊，二者经常是在一起使用的。由于归纳的结论有可能是假的，因此，推理过程中要使用很多假设和约定，加上适当的回溯以避免中间过程中的错误。同时，这些也都是人为制定的，因此机器学习中依然存在着不可靠性。
　　3.判断难：机器目前很难判断什么重要、什么有意义、应该学习什么。
　　如果要使得机器能够从实践中提取知识，自动学习，就必须首先要求机器懂得什么是该学的、什么是值得学的。