Ettersom ingen helt vet hva intelligens er, eller hva forholdet er mellom intelligens og bevissthet finnes det også mange tilnærminger til kunstig intelligens. Forskning omkring kunstig intelligens kalles ofte AI-forskning, en forkortelse for det engelske Artificial Intelligence.
En forholdsvis «ny» retning innen denne forskningen er studier av nevrale nettverk. Nevrale nettverk er riktignok noe som det har blitt forsket på helt siden 1940-tallet. Det er imidlertid først i de siste årene at bruken av simulerte nevrale nettverk har skutt fart. Årsaken til dette er en kombinasjon av økt datakraft og behovet for å analysere enorme mengder informasjon. Dette har ført til konstruksjon av mer avanserte nettverk. Senest i fjor annonserte Facebook at de ved hjelp av nevrale nettverk hadde klart å lage et dataprogram som var bedre til å gjenkjenne ansikter enn et gjennomsnittlig menneske.
Denne forskningen baserer seg på studier av den menneskelige hjerne, og går ut på å la dataprogrammer som etterlikne hjernens virkemåte. Man går ut fra at siden den menneskelige hjerne faktisk er intelligens, kan en utvikle kunstig intelligens ved å etterlikne aktiviteten til den menneskelige hjerne.
Den menneskelige hjerne består av neuroner, og koblinger mellom dem. Hver neuron tar i mot et elektrisk signal og sender det videre etter eventuelt å ha bearbeidet det. Det er dette vi kaller et nevralt nettverk.
Noder
Kjernen i nettverket er neuronene. I kunstige nettverk erstattes disse av det man kaller noder. En node kan ta i mot ett eller flere elektriske signaler. Den send ut bare ett signal, men til gjengjeld kan dette ene signalet gå ut til mange andre noder. Hver node består av en funksjon og et lokalt minne. Funksjonen eller algoritmen behandler de innkomne signalene. Funksjonen kan enten alltid være aktiv, og behandle alle signaler, eller bare bli aktivert av signaler som inneholder aktiveringskoder. Ved siden av å utføre enkle operasjoner kan funksjonen lese fra minnet og skrive til det. I motsetning til klassiske ekspertsystemer er det viktigste særtrekket med et nevralt nettverk at det ikke starter med noen database annet enn algoritmer.
En node består altså av tre deler, en del som tar i mot signaler også kalt input delen. En del som utfører en operasjon eller prosess og endelig en del som sender signaler videre også kalt output delen.
Nevrale nettverk var i begynnelsen sett på som noe som skulle løse alle problemene med programmert AI og gi oss ekte kunstig intelligens. Utviklingen har gått langsommere enn en først antok slik at fullverdig kunstig intelligens fortsatt er en utopi. Til nå har nevrale nettverk vist seg særlig egnet til gjenkjenningsoppgaver. Det gjelder så vel språk som bilder. Dessuten er nevrale nettverk godt egnet for å løse klassifiseringsoppgaver.
En kan lure på hvordan et dataprogram kan gjenkjenne bilder eller mer korrekt koble bilde til et navn eller omvendt koble tekst til riktig bilde når den ikke starter med en programmert kunnskapsbase.
Hovedpoenget er at et nevralt nettverk trenes opp istedenfor å programmeres. Hvis datamaskinen skal gjenkjenne et bilde vil man riktignok ha en database med navn/bilder, men selve gjenkjenningsprosessen lærer nettverket ved trening.
Dette kan skje på forskjellige måter. En vanlig metode er det som kalles overvåket trening. Dette innebærer at et nettverk gis et bilde som input som systemet behandler. Når svaret så kommer, fortelles nettverket hva svaret skulle ha vært. Dette gjentas til svaret er riktig.
Det som skjer inn i nettverket er at når bilde på nytt kommer til input delen så blir det koblet til informasjon om hvor langt unna riktig svar det var sist gang. Hver gang en forteller systemet hvor langt unna riktig svar det var blir informasjonen som følger bilde endret til sammenfall av bilde og navn blir korrekt. Deretter vil systemet alltid gi riktig svar.