Zpočátku se vědci snažili vytvořit počítačové programy, které by se chovaly stejně jako myšlení člověka. Ukázalo se však, že něco takového je extrémně těžké, a nevede to k žádným výsledkům. Proto se vědci poměrně záhy vydali jinými cestami a touto oblastí se již prakticky nikdo nezabývá.

Neuronové sítě

Umělé neuronové sítě v umělé inteligenci jsou volně inspirovány odpovídajícími biologickými strukturami. Oproti nim jsou však značně zjednodušeny z důvodu zrychlení výpočtů, a používají jiné mechanismy učení, než jaké používá mozek. Cílem informatiky totiž není věrně simulovat biologické struktury, ale především řešit praktické problémy. Tvorbou biologicky věrných modelů neuronů a neuronových sítí se zabývají výpočetní neurovědy.

Evoluční algoritmy

Evoluční algoritmy jsou prostředkem matematické optimalizace. Cílem je například nalézt řešení, které maximalizuje hodnotu užitkové funkce -- např. nalézt takovou anténu, která bude mít co možná nejlepší přenosové vlastnosti. Evoluční algoritmy volně vycházejí z biologické evoluce. Algoritmus začíná tak, že náhodně vytvoří populaci různých antén. Potom už probíhá iterativní proces, kde se v první fázi všechny antény v populaci ohodnotí podle jejich kvality, a ve druhé fázi se antény zkříží mezi sebou, čímž vznikne potomkovská generace. Jelikož lepší antény mají více potomků, než horší antény, kvalita populace se v průběhu generací postupně zvyšuje. Variabilita potomkovské populace se navíc typicky zvyšuje přidáváním mutací.

Podobný proces lze použít nejen na antény, ale dokonce i na počítačové programy - Genetické programování/p>

Expertní systémy

Expertní systém je počítačový program, který má za úkol poskytovat expertní rady, rozhodnutí nebo doporučit řešení v konkrétní situaci.

Expertní systémy jsou navrženy tak, aby mohly zpracovávat nenumerické a neurčité informace a řešit tak úlohy, které nejsou řešitelné tradičními algoritmickými postupy.

Typicky v sobě obsahují bázi znalostí reprezentovanou pomocí logických formulí, a následně tyto znalosti kombinují pomocí vhodné matematické logiky (časté je použití různých fuzzy logik), aby dostaly odpověď na zadanou otázku.

Prohledávání stavového prostoru

Zvláště při vytváření algoritmů na řešení klasických her (šachů, dámy) se jeví účelné zadefinovat si množinu stavů, do kterých se můžeme ve hře dostat, přípustné tahy neboli přechody mezi stavy a počáteční a koncové pozice. Hledáme pak cestu od počátečních stavů ke koncovým stavům, které znamenají náš úspěch.

Jelikož mohou být stavové prostory rozsáhlé (například ve hře go) a v některých případech i nekonečné, je třeba volit chytré metody ořezávání nevhodných cest a ohodnocování pozic.

Dobývání znalostí

Velké soubory dat (často uložené v databázích) o nějakém systému nejsou použitelné a pochopitelné přímo, i když obsahují informace a vzory chování sledovaného systému. Metody dobývání znalostí převádí data do kompaktní a explicitní formy popisující systém, která je lépe použitelná.

V širokém smyslu nejde jen o zpracování elementárních dat (čísel, řetězců, kategoriálních dat), ale taky zpracování zvuku, obrázků (Digitální zpracování obrazu), videa, přirozeného jazyka (viz zpracování přirozeného jazyka, korpus) a bioinformatických dat (bioinformatika). Předpokládá se také aplikace dobývání znalostí pro využití umělé inteligence ve vzdělávaní.

Výstupy jsou různé pro různé úlohy a závisí taky na tom, k čemu je chceme použít a co (a jak kvalitně) dokážeme vydolovat.