计算机变成智能的过程涉及多个技术和理论途径，以下是一些关键步骤和方法：
机器学习
数据收集：首先需要收集与问题相关的数据，数据源可以是数据库、传感器、网络爬虫等。
数据预处理：包括清洗数据（处理缺失值、异常值等）、特征选择（选择最相关的特征以减少冗余）、数据转换（标准化或归一化数据）。
划分数据集：将数据集划分为训练集和测试集，训练集用于训练模型，测试集用于评估模型的性能。
选择算法：根据具体任务选择合适的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机（SVM）、神经网络等。
模型训练：使用训练集数据对选择的算法进行训练，算法会通过迭代的方式调整模型参数，以最小化预测值与真实值之间的误差。
概率统计学
计算机智能在很大程度上依赖于概率统计学，通过大数定律消除不确定性，提供个性化服务。贝叶斯公式是智能的基石，帮助计算机在有限信息下进行判断。
符号处理与知识处理
把智能问题当成符号处理与知识处理问题是人工智能的主流。纽威尔和西蒙教授提出物理符号系统假设，认为物理符号系统是智能行为的充分必要条件。这一假设把符号处理技术摆到智能机研制的关键位置。
人工神经网络
构造智能机的另一途径根源于神经生理学的研究成果，即用大量相对简单的处理单元（人工神经元）通过复杂的互连构成神经网络计算机。这一途径强调大规模并行、分布式的表示与处理、非线性的动力学系统行为、系统的训练与学习以及模拟量的处理等等。
层次化的智力社会模型
错综复杂的人类社会是由许多个人和不同层次的团体组成。与此类似，智能行为也可看成是许多在不同层次上的相互影响的并行操作的进程。层次越低，其智力越差，最底层的处理应是非智能的行为。这一模型强调理解智能的层次和系统中各部分的联系。
基于生物进化的智能系统
人类的智能是通过极其漫长的生物进化产生的，进化是智能的源泉。基于这一观点，研制智能机的途径是建立在现实世界中具有真正感知和行动能力的智能系统，由简单到复杂逐步提高其智能水平。
综合集成方法
研究智能计算机应当采取综合集成的方法，将定性与定量、数字与模拟、逻辑与统计、电子与非电子等互补的技术综合集成起来，特别是将存于机器的知识与人的经验知识集成起来，发挥系统的整体优势与综合优势。
通过上述方法和技术，计算机可以逐渐变得智能化，模拟人类的思维过程，并在各个领域实现复杂的功能，如自然语言处理、图像识别、智能推荐等。然而，计算机智能的发展仍然是一个活跃的研究领域，科学家们正在不断探索新的方法和技术，以进一步提升计算机的智能水平。