Sztuczna inteligencja zazwyczaj bada swoje otoczenie i podejmuje działania, aby osiągnąć swoje cele. Celem sztucznej inteligencji może być coś tak prostego, jak wygranie gry, lub tak złożonego, jak wykonanie równania matematycznego. Cele te mogą być indukowane lub mogą być określone wprost. Cele można osiągnąć w sposób dorozumiany, jeśli sztuczna inteligencja jest zaprogramowana do uczenia się przez wzmacnianie poprzez system nagród za dobre zachowanie i kar za złe. Z drugiej strony system ewolucyjny może pomóc w wyznaczaniu celów poprzez funkcję przystosowania, aby zmutować i preferencyjnie replikować wysoko punktowany system sztucznej inteligencji, który będzie podobny do ewolucji zwierząt, aby osiągnąć cele, takie jak znalezienie pożywienia lub sposób, w jaki pies może być hodowany w drodze doboru sztucznego, ponieważ posiada specyficzne cechy. Istnieją pewne systemy sztucznej inteligencji, takie jak najbliższy sąsiad, które rozumują przez analogię, ale systemom tym zwykle nie wyznacza się celów. Jednak w pewnym stopniu cele będą ukryte w danych treningowych. Niektóre systemy można poddać testowi porównawczemu, jeśli system inny niż docelowy zostanie sformułowany jako system, którego celem jest pomyślne wykonanie wąskiego zadania klasyfikacyjnego. Sztuczna inteligencja opiera się głównie na wykorzystaniu algorytmów. Prostsze algorytmy można zobaczyć poniżej bardziej złożonych algorytmów. Proste algorytmy są jak gra w kółko i krzyżyk.
- Jeśli ktoś stanowi zagrożenie, należy zabrać dwa z rzędu, a następnie zająć pozostałe pole; W przeciwnym razie,
- w przypadku „rozwidlenia” ruchu w celu utworzenia dwóch wątków jednocześnie należy wykonać ten ruch; W przeciwnym razie,
- Jeżeli środkowe pole jest wolne, należy je zająć; W przeciwnym razie,
- jeśli Twój przeciwnik zdecyduje się wykonać rzut rożny, Ty powinieneś wykonać drugi róg; W przeciwnym razie,
- jeśli jest jakiś pusty kącik, weź go; W przeciwnym razie,
- należy wziąć dowolne puste pole.
Wiele algorytmów sztucznej inteligencji może uczyć się na podstawie gromadzonych danych, co może pomóc im ulepszyć się poprzez naukę nowych heurystyk lub pomóc w pisaniu innych algorytmów. Istnieje kilka elementów uczących się, które opisano poniżej, obejmujących najbliższego sąsiada, drzewa decyzyjne i sieci Bayesa, które mogą być potencjalnie pomocne – jeśli otrzyma się nieskończoną ilość pamięci, czasu i danych w celu przybliżenia dowolnej funkcji, która obejmuje cokolwiek połączenie funkcje matematyczne, które najlepiej opisywałyby cały świat. Uczniowie ci mogliby dowiedzieć się wszystkiego, rozważając każdą możliwą hipotezę, a następnie dopasowując ją do danych. W praktyce nigdy nie jest możliwe uwzględnienie każdej możliwości ze względu na zjawisko eksplozji kombinatorycznej, w której ilość czasu potrzebna do rozwiązania problemu rośnie wykładniczo. Wiele badań nad sztuczną inteligencją obejmuje znalezienie sposobów identyfikowania i unikania szerokiego spektrum możliwości, które najprawdopodobniej nie będą przydatne. Weźmy na przykład sytuację, w której patrzysz na mapę i próbujesz znaleźć najkrótszą trasę dojazdu z rodzinnego miasta do najbliższej metropolii. W większości przypadków możesz pominąć przechodzenie przez wszystkie małe miasteczka lub wszystko, co jest na uboczu; Jest to coś, co sztuczna inteligencja zrobiłaby dzięki algorytmowi odnajdywania ścieżki. Dzięki temu każda trasa jest zaplanowana, a Ty nie musisz martwić się stratą czasu na dotarcie do celu.