1. Thu thập dữ liệu: Trí tuệ nhân tạo sẽ học từ những dữ liệu được cung cấp. Các dữ liệu này có thể là văn bản, hình ảnh, âm thanh hoặc video. Trí tuệ nhân tạo sẽ phân tích và học từ các dữ liệu có sẵn này. Đây là bước cơ bản và sơ khai nhất của phương pháp học hỏi từ AI.

2. Mạng nơ-ron: Mạng nơ-ron là một phần quan trọng của AI, bao gồm nhiều lớp nơ-ron kết nối với nhau giống như kiểu tế bào thần kinh của con người. Học sâu (deep learning) là một phương pháp sử dụng mạng nơ-ron để học từ dữ liệu. Nhờ đó những dữ liệu được thu thập sẽ liên kết và tương tác qua lại với nhau, không bị rời rạc.

3. Thuật toán học máy: Các thuật toán học máy giúp AI tìm ra các nguyên lý và quy luật trong dữ liệu. Học máy cho phép máy tính học thông qua việc suy luận như con người và tự tạo ra những quy luật mà không cần sự chỉ dẫn của con người. Nguyên tắc chung của thuật toán học máy là thuật toán được giám sát cho mô hình tiên đoán. Mục tiêu của việc tiên đoán là lựa chọn và làm cho các dự đoán chính xác nhất có thể đạt được.

4. Học tăng cường: Học tăng cường là quá trình AI học từ việc tương tác với môi trường. Đó là quá trình AI thử nghiệm các hành động và học được từ kết quả của chúng tạo ra.  Ví dụ: bạn có thể tưởng tượng việc dạy con mèo thực hiện thủ thuật mới: nếu con mèo thực hiện đúng, bạn khen thưởng bằng việc cho nó con cá. Từ đó, con mèo học cách đạt được phần thưởng thông qua hành vi mong muốn.

5. Học có giám sát: Trong học có giám sát, AI sẽ học từ các cặp dữ liệu đầu vào và đầu ra đã được cung cấp. Chúng ta sẽ cung cấp dữ liệu đầu vào đã được gắn nhãn (label) cho mô hình. Mục tiêu của AI là học mô hình đó để dự đoán kết quả cho đầu ra. Ví dụ: Dự đoán định giá một ngôi nhà dựa trên các thông số đã cung cấp như diện tích, số phòng, vị trí, v.v..

6. Học không giám sát: Trong học không giám sát, AI học từ dữ liệu đầu vào mà không có đầu ra tương ứng. Chúng ta sẽ không cung cấp các dữ liệu gắn nhãn. Mục tiêu của AI là xây dựng mô hình tự phát hiện cấu trúc ẩn trong dữ liệu. Ví dụ: Phân cụm (Clustering): Chia nhóm khách hàng dựa trên hành vi mua hàng tương tự. Liên kết (Association): Tìm các sản phẩm thường được mua cùng với nhau.

7. Hàm mất mát (Loss Function): Hàm mất mát là một hàm số được sử dụng để đo lường mức độ lỗi mà mô hình tạo ra khi dự đoán các kết quả từ dữ liệu đầu vào. Mô hình càng tốt khi hàm mất mát càng nhỏ, điều này đồng nghĩa với việc mô hình đang dự đoán đúng hơn.

8. Tối ưu hóa: Tối ưu hóa là quá trình tìm kiếm cách để giảm thiểu hoặc tối đa hóa một  mục tiêu. Trong AI, chúng ta thường muốn tối ưu hóa cho một hàm mất mát. Mục tiêu của tối ưu hóa là tìm ra giá trị của biến độc lập (thường là các tham số của mô hình) sao cho hàm mục tiêu đạt giá trị tối ưu (nhỏ nhất hoặc lớn nhất).

3.1 Trí tuệ nhân tạo phản ứng

Đây là loại AI cơ bản, thường được sử dụng trong lĩnh vực tự động hóa và các trò chơi. Nó không có khả năng học hỏi và thích nghi, chỉ thực hiện các tác vụ theo cách được định nghĩa trước. Thang máy là một kiểu trí tuệ nhân tạo phản ứng, bạn cung cấp cho thang máy số tầng mình cần đến, máy sẽ tự động đưa bạn đến nơi. Tuy nhiên nếu vi xử lý nhận được một yêu cầu mà nó chưa được lập trình trước, nó không thể xử lý được yêu cầu này.

3.2 Trí tuệ nhân tạo với bộ nhớ hạn chế

Loại này có khả năng thu thập dữ liệu cũ và nạp thêm dữ liệu đó vào bộ nhớ. Máy có thể hiểu dữ liệu đầu vào, đối chiếu với dữ liệu trong bộ nhớ và phản hồi. Một số phần mềm AI hiện tại đang cung cấp cho người dùng trên Internet thuộc vào dạng này. Khi người dùng đưa ra một câu hỏi hay yêu cầu, AI sẽ sử dụng thuật toán của mình để tìm kiếm câu trả lời trên Internet và trả về kết quả phù hợp. Nếu câu hỏi bạn đưa ra chưa từng tồn tại câu trả lời trên Internet, AI cũng không thể trả lời được câu hỏi này.

3.3 Trí tuệ nhân tạo tự nhận thức

Đây là khái niệm vẫn chỉ trên lý thuyết. Con người chưa đạt được năng lực khoa học và công nghệ cần thiết để tạo ra AI có thể đạt đến cấp độ trí tuệ nhân tạo tiếp theo này. Lý thuyết này dựa trên tiền đề rằng những sinh vật sống khác nhau sẽ có suy nghĩ và cảm xúc ảnh hưởng đến hành vi của riêng bản thân chúng. Về khía cạnh AI, lý thuyết này có nghĩa là AI có thể hiểu cách con người, động vật và các máy khác cảm nhận và đưa ra quyết định thông qua sự tự phản ánh và quyết định của riêng mình.