នៅឆ្នាំ ១៩៦៥ ការអភិវឌ្ឍន៍ដ៏សំខាន់មួយបានកើតឡើងនៅពេលដែលអ្នកស្រាវជ្រាវបានបង្កើតកម្មវិធីដែលអនុញ្ញាតឱ្យម៉ាស៊ីនធ្វើការសន្ទនាយ៉ាងសាមញ្ញៗជាមួយមនុស្ស។ កម្មវិធីទាំងនេះដូចជា ELIZA និង Shakey the Robot បានត្រួសត្រាយផ្លូវសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធទទួលស្គាល់សម្លេងនិយាយ (Speech Recognition Systems) កម្រិតខ្ពស់បន្ថែមទៀត។
បញ្ញាសិប្បនិម្មិត បានធ្វើឱ្យមានភាពភ្ញាក់ផ្អើលយ៉ាងខ្លាំង រយៈពេលប្រហែលដប់ឆ្នាំ។ វានាំឱ្យមានការជឿនលឿន ផ្នែកបច្ចេកវិទ្យាផ្សេងៗ ដូចជា ការអភិវឌ្ឍន៍ភាសាសរសេរកម្មវិធី (Programming Languages) និងប្រព័ន្ធមនុស្សយន្ត (Robotic systems)។ ទោះជាយ៉ាងណាក៏ដោយ វាក៏បណ្តាលឱ្យមានការប្រតិកម្មតបទៅនឹងការទាមទារលើសកម្រិតអំពីវិស័យនេះផងដែរ។
នៅចុងទស្សវត្សរ៍ឆ្នាំ ១៩៨០ គេបានសង្កេតឃើញមានការចាប់អារម្មណ៍ឡើងវិញ បន្ទាប់ពីមួយទសវត្សរ៍នៃការរីកចម្រើនដ៏តិចតួច។ របាយការណ៍ជាច្រើនបានបង្ហាញថាកុំព្យូទ័របានដំណើរការល្អជាងមនុស្សក្នុងកិច្ចការ “តូចចង្អៀត” ដូចជាការលេង Checkers ឬអុក និងការវិវត្តន៍នៃជំនាន់កុំព្យូទ័រ និងលក្ខណៈបច្ចេកទេស។ លើកនេះ គឺផ្តោតលើការបង្កើតប្រព័ន្ធដែលទាមទារអន្តរកម្មរបស់មនុស្សតិចជាងមុន ដើម្បីយល់ និងសិក្សាពីទិន្នន័យក្នុងពិភពពិត
បន្ទាប់មកនៅពាក់កណ្តាលទសវត្សរ៍ឆ្នាំ ១៩៩០ ការរីកដុះដាលដ៏សំខាន់មួយទៀតត្រូវបានជំរុញដោយការជឿនលឿនគួរឱ្យកត់សម្គាល់នៅក្នុងផ្នែករឹងកុំព្យូទ័រដែលបានកើតឡើងតាំងពីដើមទសវត្សរ៍ឆ្នាំ ១៩៨០។ ជាលទ្ធផលគឺមានភាពប្រសើរឡើងយ៉ាងខ្លាំងក្នុងការអនុវត្តលើបញ្ហាគោលសំខាន់ៗមួយចំនួន ដូចជាការទទួលស្គាល់រូបភាព (Image Recognition) ដែលឥឡូវនេះម៉ាស៊ីនអាចដំណើរការស្ទើរតែល្អដូចមនុស្សក្នុងកិច្ចការមួយចំនួន។
នៅកំឡុងឆ្នាំដំបូងនៃសតវត្សទី២១ គឺជារយៈពេលនៃការរីកចម្រើនដ៏គួរឱ្យកត់សម្គាល់នៅក្នុងវិស័យបញ្ញាសិប្បនិម្មិត។ ភាពជឿនលឿនសំខាន់ដំបូងគឺការអភិវឌ្ឍន៍បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត(Artificial Neural Networks) ដែលអាចសិក្សាដោយខ្លួនឯង (Self-learning)។ នៅក្នុងឆ្នាំ២០០១ កិច្ចការមួយចំនួនដែលដំណើរការដោយបញ្ញាសិប្បនិម្មិតបានវ៉ាដាច់លើកិច្ចការដែលធ្វើដោយមនុស្សនៅក្នុងផ្នែកជាក់លាក់ជាច្រើន ដូចជាការចាត់ថ្នាក់វត្ថុ (Object classification) និងការបកប្រែភាសាដោយម៉ាស៊ីន (Machine translation) ជាដើម។ ក្នុងរយៈពេលប៉ុន្មានឆ្នាំក្រោយមក អ្នកស្រាវជ្រាវបានធ្វើឱ្យប្រសើរឡើងនូវការអនុវត្តរបស់ខ្លួនលើកិច្ចការ ផ្សេងៗ ដោយការកែលម្អបច្ចេកវិទ្យាមូលដ្ឋាន។
ការបង្កើតម៉ូដែលមួយដោយ បញ្ញាសិប្បនិម្មិតផ្អែកលើក្បួនដោះស្រាយបញ្ហា តាមរយៈការសិក្សាដោយធ្វើការសាកល្បង និងការបង្កើតកំហុស រួចធ្វើការកែលម្អសកម្មភាពផ្ទាល់របស់វា (Reinforcement Learning) គឺជាការអភិវឌ្ឍន៍សំខាន់ទីពីរ។ ការបង្កើតម៉ូដែលនេះ អាចបង្កើតគំរូថ្មីៗពីថ្នាក់ (Class) ដែលបានផ្តល់ឱ្យវាដើម្បីសិក្សាពី ឥរិយាបថស្មុគស្មាញពីទិន្នន័យតិចតួច។ ឧទាហរណ៍ ពួកវាអាចត្រូវបានប្រើដើម្បីបង្រៀននរណាម្នាក់ឱ្យចេះបើកឡាន បន្ទាប់ពីការអនុវត្តត្រឹមតែ ២០នាទីប៉ុណ្ណោះ។
ក្នុងរយៈពេលដប់ឆ្នាំកន្លងមកនេះ ការរីកចំរើនគួរឱ្យកត់សម្គាល់មួយចំនួនផ្សេងទៀតនៅក្នុងបញ្ញាសិប្បនិម្មិត ត្រូវបានធ្វើឡើងយ៉ាងហូរហែរ។ បណ្តាញសរសៃប្រសាទស៊ីជម្រៅ (Deep Neural Networks) ត្រូវបានប្រើប្រាស់កាន់តែខ្លាំងឡើងៗ សម្រាប់កម្មវិធីចក្ខុវិស័យកុំព្យូទ័រ រួមទាំងការកំណត់សម្គាល់វត្ថុ (Object recognition) និងការយល់ឃើញពីទិដ្ឋភាព (Scene perception) ។ ការប្រើប្រាស់បច្ចេកវិទ្យាម៉ាស៊ីនសិក្សា(Machine Learning)សម្រាប់កិច្ចការដំណើរការភាសាធម្មជាតិ ដូចជា ការទាញយកព័ត៌មាន និងការឆ្លើយសំណួរក៏ទទួលបានការចាប់អារម្មណ៍ផងដែរ។ ការប្រើប្រាស់បច្ចេកវិទ្យាដូចគ្នាទាំងនេះ សម្រាប់កិច្ចការទទួលស្គាល់ការនិយាយ (Speech Recognition) ដូចជាការទទួលស្គាល់ការនិយាយដោយស្វ័យប្រវត្តិ (ASR) និងការសម្គាល់អ្នកនិយាយក៏ទទួលបានប្រជាប្រិយភាពផងដែរ (SID) ។
