De olika metoderna för artificiell intelligens kan klassificeras i tre olika grupper: hjärnsimulering, symbolisk och subsymbolisk och statistisk. De symboliska och subsymboliska tillvägagångssätten kan ytterligare klassificeras i sina egna grupper: kognitiv simulering, logikbaserad intelligens och kunskapsbaserad intelligens faller under det symboliska tillvägagångssättet, medan bottom-up- och beräkningsintelligensteorier identifieras som subsymbolisk artificiell intelligens närmar sig. År av framsteg i forskningen och tillämpningen av dessa teorier har lett till bildandet av integrerade tillvägagångssätt, som kombinerar principer från flera skolor för att generera mer sofistikerade artificiell intelligens (AI) system.
AI-utvecklingen slog först stora utvecklingssteg under 1940-talet. Genom att använda principer från neurologi, cybernetik och grundläggande kognitiva bearbetningsteorier kunde forskare bygga robotar med primitiva nivåer av intelligens baserade på hjärnsimulering, vilket gör det möjligt att undvika vissa hinder genom sensorisk upptäckt. Begränsade framsteg mellan 1940- och 1960-talen ledde dock till att detta paradigm övergavs, där forskare valde att utveckla andra, mer lovande artificiell intelligensmetoder.
I mitten av 1950-talet till början av 1960-talet försökte AI-forskare att förenkla mänsklig intelligens till symbolmanipulation, och trodde att människors förmåga att lära sig om och anpassa sig till föremål i sin omgivning kretsar kring tolkning och omtolkning av objekt som grundläggande symboler. En stol, till exempel, skulle kunna förenklas till en symbol som definierar den som ett föremål att sitta på. Denna symbol kan sedan manipuleras och projiceras på andra objekt. Forskare kunde skapa ett antal flexibla och dynamiska metoder för artificiell intelligens genom att införliva detta symboliska tillvägagångssätt i AI-utveckling.
Förmågan att simulera de olika kognitiva tillvägagångssätten för symboliskt tänkande gjorde det möjligt för AI-utvecklare att skapa logikbaserad och kunskapsbaserad intelligens. Det logikbaserade tillvägagångssättet arbetade på de underliggande principerna för logiskt tänkande, fokuserade nästan helt på att lösa problem snarare än att replikera människoliknande tankeförmåga. Logik balanserades så småningom av ”smutsig” logik, som tog hänsyn till det faktum att lösningar kan hittas utanför en given logisk algoritm. Kunskapsbaserad intelligens, å andra sidan, utnyttjade en dators förmåga att lagra, bearbeta och återkalla stora mängder data för att ge lösningar på problem.
Intresset för hjärnsimulering återupplivades på 1980-talet efter att framstegen inom symbolisk intelligens avtog. Detta ledde till skapandet av subsymboliska system, tillvägagångssätt med artificiell intelligens som kretsade kring att kombinera tänkande med den mer grundläggande intelligens som behövs för rörelse och självbevarande. Detta gjorde det möjligt för modeller att relatera miljön runt dem till data i deras minneslager. Det statistiska tillvägagångssättet som utvecklades på 1990-talet hjälpte till att polera både den symboliska och den subsymboliska artificiella intelligensen genom att använda sofistikerade matematiska algoritmer för att bestämma handlingssättet som mest sannolikt kommer att resultera i maskinens framgång. Forskning hanterar ofta AI-utveckling med hjälp av principer från alla tillvägagångssätt.