“反逻辑”斯坦福大学的研究者(如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGERSCHANK描述他们的“反逻辑”方法为SCRUFFY.常识知识库(如DOUGLENAT的CYC)就是SCRUFFYAI的例子,因为他们必须人工一次编写一个复杂的概念.基于知识大约在年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件！

　　共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）.STUARTJ。RUSSELL和PETERNORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标.集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统！简单的智能AGENT是那些可以解决特定问题的程序!主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系!

　　JOHNHAUGELAND称这些方法为GOFAI(出色的老式人工智能)！[33]60年代，符号方法在小型证明程序上模拟思考有很大的成就!基于控制论或神经网络的方法则置于次要![34]60~70年代的研究者确信符号方法可以成功创造强人工智能的机器，同时这也是他们的目标!认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学,运筹学和经营科学。

哈尔滨魔力机器人连锁

　　这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVIDRUMELHART等再次提出神经网络和联结主义!这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴.统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题.这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因!

　　这场“知识革命”促成专家系统的开发与计划,这是个成功的人工智能软件形式.“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法.范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACTAGENTS的概念）.90年代智能AGENT范式被广泛接受.

　　他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHNMCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法！他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示,智能规划和机器学习。致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学。

　　AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用.一个系统中包含符号和子符号部分的系统称为混合智能系统,而对这种系统的研究则是人工智能系统集成！分级控制系统则给反应级别的子符号AI和别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEYBROOKS的SUBSUMPTIONARCHITECTURE就是一个早期的分级系统计划。机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。