A mesterséges intelligencia számos szakterületből áll. Ilyen például az ismeretábrázolás és következtetés: a tudás leírásának, új tények kikövetkeztetésének különböző módszerei – szemantikus (jelentéstani) hálók és keretek, logika, szabályalapú rendszerek. Vagy az egy-egy (orvosi, irodai, konfigurációs) terület speciális ismereteit magukba sűrítő szakértő rendszerek, amelyek lehetővé teszik, hogy a felhasználó kérdéseket tegyen fel egy témakörben.

Tudásuk korlátozott, szűk ismerettartományt fed le, azt viszont általában jól. Legfőbb bajuk, hogy döntéseiket nem analógiával, hanem mindig szabályok útján hozzák meg, és a megszokottól eltérő jelenségekkel (háromlábú kutya, félszemű ember stb.) nem tudnak mit kezdeni. Újabb szabályok bevezetésekor bonyolult és időigényes eldönteni, miként viszonyuljanak a már aktívakhoz. Minél több a szabály, annál nehezebb, drágább az üzemeltetés, amivel a következtetések fajsúlya általában nincs arányban.

A keresés szintén izgalmas MI-technika: például egyszerű állapottérben való keresés segítségével végigkutathatók a cselekvések lehetséges sorozatai, hogy megtaláljuk a kezdőállapotból a célállapotig vezetőt.

A természetesnyelv-feldolgozás beszédfelismerésre/megértésre, mondattani, jelentéstani, szövegkörnyezeti elemzésre és szöveggenerálásra vonatkozik.

A gépi látás a különböző pontok intenzitásértékeivel megadott jelenet digitális képként értelmezése. A feldolgozás lehet egyszerű jellegzetességekre összpontosító alacsony, mélységre és orientációra vonatkozó információkat meghatározó közepes (2 és fél D), használható reprezentációt létrehozó magas (3D) szintű. A tárgyak felismerése mellett manipulálásuk, a közöttük történő navigálás szintén a gépi látás célkitűzései közé tartoznak.

Taníthatók-e a gépek, hatékonyságuk javítható-e tapasztalatok alapján kidolgozott tanuló algoritmusokkal? Az ilyen típusú algoritmusok egyelőre az adatbányászatban, óriási adatbázisokban lévő nem evidens összefüggések felderítésekor a legelterjedtebbek. Magára a gépi tanulásra a példákon keresztül történő, induktív és a statisztikán alapuló modellek jellemzők. Arra is jók, hogy egy rendszer felkészüljön az osztályozásra. Az osztályozásra több technikát dolgoztak ki: például keresési térben, vagy döntési fa (igen-nem, igen-nem, és így tovább) alapján történő szimbolikus eljárásokat. A természetes evolúcióról mintázott – számos generáción, kiválasztódások, mutációk és kereszteződések során végigfuttatott, végül az ideális, a legéletképesebb megoldást „kidobó” – genetikus algoritmusok is használhatók erre a célra, akárcsak a más megközelítésű, de szintén biológia modell (az emberi agy) ihlette neurális hálók.

Az ágenstervezés az MI-kutatás egyik legdinamikusabban fejlődő, sok részterülethez – például a mesterséges fizikai ágensekként felfogott robotok fejlesztéséhez – kapcsolódó ága. Túlmutat az MI keretein, hiszen egyaránt érint gazdaságtant, játékelméletet, szociológiát (és más társadalom- és természettudományokat is). Sokan szoftverfejlesztési paradigmaként fogják fel, mások az emberi társadalmak megismerésének hatékony eszközeit látják az ágensekben. A világhálós adatözön kezeléséhez egyre nagyobb szükségünk van rájuk: árakat összehasonlító bevásárló-, vagy aukciós botokra, dokumentumokat feldolgozó információs ágensekre, keresőprogramokra (Google), elektronikus leveleinket szortírozó és szűrő, időnként válaszoló szoftverekre stb. Személyi asszisztenseink, „digitális titkáraink” ők – passzív programokkal összehasonlítva, kifejezetten aktívak, ráadásul a felhasználóért/helyett cselekednek.

„Bármi lehet ágens, ami érzékelőivel érzékeli, beavatkozó szerveivel megváltoztatja a környezetét” – írja róluk Russell és Norvig. Humán/élő, robot és szoftverágensek különböztethetők meg – utóbbiaknál kódolt bitsorozatok jelentik az érzékelést és a beavatkozást. Leszűkítve a kört, az intelligens gépi ágens jól definiált célok érdekében önállóan tud cselekedni, rendszerint az emberek helyett hajtja végre a cselekvéseket. Két csoportra oszthatók: számítógépen, számítógépes hálózatban tevékeny szoftverágensekre és a „való világban” aktív fizikai ágensekre, mint a robotok. Mindegyik környezetbe ágyazott számítógépes, információ-feldolgozó entitás, független cselekvőkészségük tervezőik céljaival találkozik. Önállóságuk, tárgyaktól való különbözőségük három pontban ragadható meg: maguk döntenek egy-egy akció végrehajtásáról (vagy nem végrehajtásáról), egyértelműbb autonómiát mutatnak; viselkedésük flexibilis; mivel gyakran nem önmagukban, hanem több, egymással interaktív viszonyban lévő ágensből álló multiágens rendszerben fejtik ki ténykedésüket, egy ilyen rendszer többszintű irányítási lánc, önálló elemekkel. Intelligenciájuk szintén három tulajdonságban foglalható össze: környezetüket – legyen statikus, vagy dinamikusan változó – nemcsak érzékelik, hanem reagálnak is rá (reaktívak), magukhoz ragadva a kezdeményezést, célvezérelten viselkednek (kezdeményezőkészség), interaktív viszonyt (koordináció, kooperáció, kommunikáció stb.) létesítenek egymással vagy emberekkel (szociálisak).

A szimulációkhoz sokszor használt multiágens rendszerek entitásai különböző kommunikációs nyelveken, nemcsak természetes és mesterséges, de a kettő közötti határokat összemosó környezetekben is érintkeznek egymással. Globális viselkedésformáik a szociális rovarok (például hangyák) rajintelligencia-szerű megnyilvánulásaihoz hasonlók: emergens módon, az egyedek lokális interakcióiból, a részek összegét meghaladva fejlődnek ki.