Es gibt zwei „Arten“ von KI. Diese zeichnen sich durch ihrer Wissensrepräsentation. Bei der symbolverarbeitenden KI wird das Wissen durch Symbole repräsentiert. Bei der neuronalen KI wird das Wissen durch künstliche Neuronen und ihre Verknüpfung (ähnlich wie ein menschlichen Gehirn) repräsentiert.
Die symbolische KI gilt als klassischer Ansatz von artificial intelligence. Das Wissen wird mit Symbolen dargestellt, wozu auch die Schrift- und Lautsprache gehören. Dies geschieht unter Nutzung logischer Konzepte. Maschinen lernen über Symbolmanipulation bzw. Symbole mithilfe von Algorithmen zu erkennen, verstehen und verwenden.
Das intelligente System bezieht seine Informationen dabei aus sogenannten Expertensystem, wo Symbole und Informationen auf eine spezifische Art sortiert werden.
Kurz gesagt geht es bei der symbolischen KI um die explizite Einbettung von menschlichem Wissen und Verhaltensregeln in Computerprogramme.
Die symbolische KI hat aber Grenzen. Das streng regelbasierte System bleibt, ausser für Textverabeitung oder Spracherkennung, zu wenig flexibel. Da zu starr und zu wenig dynamisch wurde die Technologie langsam mit selbstlernenden Systemen ersetzt.
Ähnlich wie beim menschlichen Gehirn ist das Wissen bei der neuronalen KI in künstlichen Neuronen segmentiert, die sich zu immer grösser werdenden Gruppen vernetzen (neuronaler Netzwerk). Die neuronale KI versucht also, die neuronalen Netze eines Gehirns künstlich zu simulieren.
Im Gegensatz zur symbolischen KI wird das neuronale Netz „trainiert“; Aus Erfahrungen generiert die KI ständig wachsendes Wissen, sie lernt! Das macht neuronale künstliche Intelligenzen zu sehr dynamischen und anpassungsfähigen Systemen.
Ein künstliches neuronalen Netzwerk ist in Schichten geteilt, in denen sich unzählige künstlichen Neuronen befinden. Die oberste Schicht oder Input-Schicht nimmt den Input in das System auf. In die Zwischenschichten, welche hierarchisch übereinander liegen, wird der Input nach bestimmten Mustern durch das Netwerk gereicht und mit bisherigem Input verglichen (das Netzwerk wird trainiert). Die tiefste Schicht oder Output-Schicht hat meist nur wenige Neuronen. Sie zeigt dem Benutzer das Ergebnis des neuronalen Netzwerks an.