機器學習（Machine Learning）是人工智慧（AI）的一個分支，指不需撰寫明確的程式，而是從資料中自動學習模式與規律，以執行預測、分類、生成等任務之方法的總稱。主要的範式有3種：監督式學習（使用標註資料進行預測）、非監督式學習（叢集分析・降維）、強化學習（透過試誤進行最佳化）。
其中，使用多層類神經網路的深度學習（Deep Learning），在影像辨識、自然語言處理、語音辨識、異常偵測等任務上已達到媲美甚至超越人類的準確度。ChatGPT、Gemini 等大型語言模型（LLM），以及影像生成 AI（Stable Diffusion、DALL-E）等，也都是機器學習的延伸。
機器學習在半導體製造中的應用正快速擴大。晶圓缺陷檢測的自動分類（搭載於科磊（KLA）與應用材料（Applied Materials）的檢測設備）、製程異常的即時偵測（Virtual Metrology：虛擬量測）、設備的預測性維護（Predictive Maintenance）、微影曝光條件的最佳化等皆已實用化。
讓機器學習模型學習產線所產生的大量製程資料、量測資料與檢測資料，可以萃取出傳統統計方法難以發現的相關性，有助於提升良率。尤其在先進節點（3nm 以下），變動因素錯綜複雜，以機器學習進行多變量分析的重要性日益提高。
機器學習運算需求的增加，透過 AI 加速器（GPU・TPU・NPU）需求的擴大，帶動整個半導體產業的成長。NVIDIA、AMD、Intel 等爭奪霸權的 AI 晶片市場，推升了對台積電、三星（Samsung）先進晶圓代工的需求，也為設備與材料廠商帶來龐大效益。