一種定義是 AI Now symposium的主席凱特·克勞福德和梅雷迪思·惠塔克, 在2016年7月提出的:人工智能(AI)是包括機器學習、感知、推理、和自然語言處理的一個系列的技術。

另一個說法是加州大學伯克利分校建筑機器智能,計算機科學與工程的教授斯圖亞特·羅素提出的：他認為判斷一個機器是否智能，它需要具備視覺，聽覺，認知，,學習，發現，幫助制定計劃，并決定行動的能力。羅素在2015年12月的一次TED演講中指出，人工智能已經無處不在：谷歌的搜索引擎就是人工智能的一個例子，Siri也是。

基于這些定義,很明顯人工智能已經是在線學習不可分割的組成部分。隨著機器學習變得更加復雜,人工智能在在線學習的作用會顯著增加。

    機器學習是指讓一臺智能機器（AI）通過算法來教它做出決策，最終，這種決策是沒有明確指向性的。例如，當你使用拼寫程序在手機上輸入“Cali”時，在你多次輸入并修正以后程序終將停止把它修正為 “Kelly””或者“Callie”，他會意識到“Cali”是你家狗的名字，且拼寫是正確的。更多的“訓練”之后，“當你鍵入“Ca”時它會自發建議“Cali”。

     當亞馬遜建議你可能要購買某品類或Netflix推薦的項目時，他們也使用了機器學習。這些服務篩選了大量的數據，包括你過去的行為，基于算法，作出決定或建議。

    這些建議是自動的，但機器學習是基于人類的指導。人們寫的算法，人類告訴機器需要注意什么，忽略什么，以及通過信息收集來進行決策 。與任何人為控制一樣，機器學習算法反映反映了程序員或者使用者的假設。

     斯威尼（2013）在她的“廣告服務中的歧視”報告中指出，在谷歌的廣告中：“廣告主可以為相同的搜索字符串和“谷歌算法”等多個模板去學習判斷隨著時間的推移，哪個廣告文本能從觀眾中得到最的點擊。然后基于每個廣告文本的點擊歷史來分配權重（或概率）。最初所有可能的廣告文本都是相同的權重，它們有同樣的概率產生點擊。隨著時間的推移，人們更傾向于點擊某一個版本的廣告文本，權重發生改變，所以獲取最多點擊次數的廣告文本最終顯示的頻率會更高。這種方法作為廣告載體，為廣告主在客戶謀取了大量客戶，調整了Google以此在廣告商手上獲利。”像論文中所說的那樣，它導致廣告中包含了大量的用戶偏見，甚至導致“逮捕”這個詞的搜索結果顯示非洲裔美國人的名字比白人的名字要多。

機器是否能通過更多的決策導致更好更精準的結果？這就是深度學習的畫面。雖然仍然受到人類編程的影響，但深度學習系統能夠執行“無監督學習”。

深度學習是一種復雜的機器學習形式，計算機學習如何自主學習，不再需要人工輸入。它使用的算法模仿神經網絡在人類大腦的運行。他們獲取信息并產生輸出。當然并不是那這么簡單，在信息輸入和結果輸出之間會發生許多層次的處理。雖然不是每一個行動和決策都是由一個人編程，但是該算法提供了初始的決策指令。

深度學習可以快速行形成模式；很常見的例子就是圖像識別軟件使用深度學習來識別貓的圖片。電腦給了成千上萬張貓的圖片，不同顏色和不同大小的貓，在不同的位置從事不同的活動。計算機會“看”一組特征--由程序員記決定--來區別照片中的什么是貓什么不是。隨著處理越來越多的照片，計算機的準確性會提高。它就學會了如何識別貓。

語言學習是導致深度學習巨大進步的又一領域。根據紐約時代雜志的報道，谷歌翻譯基于深度學習的升級，導致了一夜之間的堪稱戲劇性的進步。

隨著計算機的識別模式變得越來越好，系統也變得更加容易地識別圖像中的其他對象以及圖像之間微妙的差別。這是一個多層次的網絡功能；不同層級學會識別不同的項目，系統基本上是通過“自學”來排序和進行項目分類，盡管目前沒有人能明確的解構和標記每個項目。

進行深入學習和強化學習，系統需要強大的計算能力；到目前為止，也只有廠房像Google和Facebook這樣的企業擁有強大的計算能力來訓練AI系統去執行特定的，數據密集型任務。然而，開源工具和其他技術上的進步使企業在線學習的開發者能夠更容易的使用這些工具。它對企業在線學習的潛在利益是巨大的。

比如聊天機器人技術的迅速提高，展現了在在線學習當中潛在的“人”的相互作用能幫助或加強學習。AI已經在學習項目當中被使用，它可以為每一個學習者提供個性化的在線學習體驗。隨著在線學習中的深度學習能力變得更加復雜，在線學習系統將變得更加適應每個學生的偏好，性能和行為模式，導致更大的參與感。甚至說，在線學習可以從所有人被“要求”使用同樣的模型，觀看同一視頻和閱讀他們可能已知的文字材料等這種固有的模式發生轉變。項目可以采取讓一個學習者使用自己的個性化的課程，只覆蓋他或她的薄弱領域，用最適合他們的展現的形式及最合適的學習節奏。