El aprendizaje es un tema dominante en la investigación sobre
Inteligencia Artificial. Muchos de los investigadores sus inicios, tenían la idea de que era mas fácil que un sistema se organizara a si mismo que dándole el conocimiento necesario para una ejecución eficaz.
Esto también estaba provocado por la idea de que la inteligencia
artificial en realidad era del programador y no del sistema mismo.
Esto provocó que en los primeros años, fracasaran estas
investigaciones, y actualmente a los sistemas se les imparte todo el conocimiento y las estrategias para resolver problemas hasta donde alcance su experiencia. A fechas recientes, a pesar de ese antecedente de fracaso, se ha retomado la investigación del aprendizaje. Se tienen sistemas como METADENDRAL (1970-76), para ser utilizado en el módulo de explicación de datos sobre compuestos químicos desconocidos. Otro sistema es AM (Automated Mathematician) de Douglas Lenat, el cual evaluaba expresiones matemáticas.
Las características de estos nuevos sistemas es que se basan en
búsquedas heurísticas (Técnicas basadas en la experiencia para resolver problemas) para realizar su trabajo, a diferencia de los primeros sistemas, basados en la organización de datos. El aprendizaje en la Inteligencia Artificial está siendo estudiado más a fondo en la actualidad, de forma mas avanzada y compleja que en sus inicios en 1950. Esto se ha visto ayudado también porque se sabe ahora mucho más de cómo se almacena el conocimiento en la memoria asociativa, en forma de listas y sabemos como organizarlo para accesar a él. Otro aspecto es el que ahora los sistemas son autosuficientes, a diferencia de los previos que eran “cerrados” al aprendizaje.
Los sistemas inteligentes son programables, pero al momento de
“aprender” cada uno es diferente en la estrategia para hacerlo y aplicar el “conocimiento”, además de que ese conocimiento, es resultado del aprendizaje social de la época en que fue diseñado, por lo que un programa del pasado puede ser muy diferente a uno actual o futuro.