强化学习如同人类学习方式，是一种封闭形式的学习。它由一个智能代理组成，该代理与它的环境进行巧妙的交互以获得一定的回报。代理的目标是学习顺序操作，这就像一个从现实世界中学习经验、不断探索新事物、不断更新价值观和信念的人一样，强化学习的智能代理也遵循着类似的原则，并从长远角度获得最大化的回报。在2017年，谷歌的AlphaGo电脑程序使用强化学习打败了围棋世界冠军。

从技术上讲，机器人技术是一个独立的分支，但它确实与人工智能有一些交叉。人工智能已经在动态环境中实现了机器人导航。你如何确保一辆自驾车在最短的时间内从A点开到B点并且不伤害自己和其他人？ 深度学习和强化学习的研究可能已经为机器人技术找到了这个问题的答案。

如果我们想让机器思考，我们需要教他们看见。 ——斯坦福人工智能实验室主任李飞飞

计算机视觉关注的是计算机如何在视觉上感知周围的世界。 然而具有讽刺意味的是，计算机擅长做一些庞大的任务，比如寻找100位数字的第十次根，但在识别和区分对象等简单的任务上却很吃力。 近年来随着深度学习、标记数据集的可用性以及高性能计算的进步，计算机视觉系统在可视对象分类等狭义定义的任务中已经超越了人类。

自然语言处理涉及能够感知和理解人类语言的系统，它包括语音识别，自然语言理解，生成和翻译等子任务。 随着全球范围内使用多种语言，自然语言处理系统可能成为一个真正的变革者。 目前自然语言处理的研究包括开发可与人类动态互动的聊天机器人。