عوامل هوشمند باید قادر به تعیین اهداف و دستیابی به آنها باشند. آنها به روشی برای تجسم آینده احتیاج دارند - نمایشی از وضعیت جهان و بتوانند در مورد چگونگی تغییر اقداماتشان پیش بینی کنند - و بتوانند گزینه هایی را انتخاب کنند که سودمندی (یا "ارزش") گزینه های موجود را به حداکثر برساند .
در مشکلات برنامه ریزی کلاسیک ، نماینده می تواند فرض کند که تنها سیستمی است که در جهان عمل می کند ، به نماینده اجازه می دهد از عواقب اقدامات خود مطمئن باشد. با این حال ، اگر عامل تنها بازیگر نباشد ، بنابراین مستلزم این است که عامل تحت عدم اطمینان بتواند استدلال کند. این یک عامل را می طلبد که نه تنها بتواند محیط خود را ارزیابی کند و پیش بینی کند بلکه پیش بینی های خود را نیز ارزیابی کند و بر اساس ارزیابی خود سازگار شود.
برنامه ریزی چند عاملی برای دستیابی به یک هدف مشخص از همکاری و رقابت بسیاری از کارگزاران استفاده می کند. رفتارهای فوری مانند این توسط الگوریتم های تکاملی و هوش ازدحام استفاده می شود.
ادراک
ادراک ماشین توانایی استفاده از ورودی سنسورها (مانند دوربین ها (طیف مرئی یا مادون قرمز) ، میکروفون ، سیگنال های بی سیم و حسگرهای لیدار فعال ، سونار ، رادار و لمسی) برای استنباط جنبه های جهان است. این برنامه ها شامل تشخیص گفتار ، تشخیص چهره و تشخیص اشیا است. بینایی رایانه ای توانایی تجزیه و تحلیل ورودی بصری است. چنین ورودی معمولاً مبهم است. یک عابر پیاده غول پیکر ، با قد پنجاه متر ممکن است پیکسل های مشابه عابر پیاده در اندازه طبیعی را تولید کند ، و به AI نیاز دارد تا در مورد احتمال نسبی و معقول بودن تفسیرهای مختلف قضاوت کند ، به عنوان مثال با استفاده از "مدل شی" آن برای ارزیابی عابر پیاده پنجاه متری وجود ندارد.
کمک روپرت و هاستون به فرازی