模仿昆虫智慧
模仿蚂蚁、蜜蜂和鸟的行为是人工智能的一种低层次版本的实现。 但是，它可能是通往真实目的的关键所在。
科幻小说家用来制造恐怖气氛的常见怪物之一就是经过进化，拥有高级智能的蚂蚁变成了地球的主宰。 对蚂蚁及其他一些群体性的昆虫而言，它们的有目的的群体行动看起来似乎很有智能。 当然，这可能只是一种假象而已。 但是对于计算机科学家而言，这已经足够进行研究了。 目前，寻求通过研究人的大脑获得人工智能灵感的方向已经失败。 与之对应的是，通过研究蚂蚁的行为也许可以了解真实世界运行原理的关键。
1990年代，蚂蚁首次得到了软件工程师的关注。 一只蚂蚁看来是无所作为的，但是当它们聚焦成群后，能力就得到了极大的提升。他们可以极为复杂的工作，如筑起巢穴，维持其正常动作，在里面填满食物等。 这个事例提醒了Marco Dorigo，他是一名布鲁塞尔大学的研究员，同时他也是昆虫群智能研究领域的创始人。
Marco特别对于蚂蚁如何得到食物与巢穴之间的最短路径感兴趣。 这也给了解决计算机界一个经典难题--推销员路径问题的提示。 这个难题的简单描述是：给定一个城市列表，同时给定这些城市之间的距离，要求得出推销员访问所有城市的最短路径。 随着城市数目的增长，这个问题变得极为复杂。 计算机解决这个问题，需要极长的时间，以及极其强大的计算能力。 当然研究这个问题可不仅是为了替那个推销员规划旅行路径，而是因为这个问题在许多领域都有其重要性，如设计集成电路、聚合DNA分子等，这些问题简化归约成了推销员路径问题。
蚂蚁用被称为信息素的一种化学信号得到了这个问题的一个解决方案。 当一个蚂蚁找到食物后，它会将其带回巢穴，并且在沿留下信息素指引同伴。 蚂蚁路过的越多，则该路上留下的信息素也就越强烈。 信息素挥发地很快，一般来说，当食物被搬进巢穴后，信息素所留下的痕迹就挥发殆尽了。 快速挥发的信息素意味着，对于蚂蚁而言较长的道路没有短一些的路有吸引力。 所以，信息素极大地放大了蚂蚁个体的智慧，将整体智慧提升到一个更高的级别。
集群智慧
1992年，Dorigo与他的团队开始研究ACO（Ant Colony Optimisation 蚂蚁群体行为优化），这个算法模拟了一群蚂蚁在田野上漫步并且留下信息素的行为，寻求解决“推销员路径”问题的答案。 ACO系统很好地解决了“推销员路径”问题。 从那时起，这个算法不断成长，成为一个系统性的算法，被应用在许多特定的问题之中。
取得了巨大的成功。 Migros，是一个瑞典的超市供应链主管，Barilla，是意大利通心粉供应商，他们日常工作就是将货物从集散中心发到各个零售店，他们的发货使用的软件是Ant Route（蚂蚁搬家）。 这只是Ant Optima公司开发出的其中一个软件。而该公司也是IDSIA（卢加诺人工智能协会）的一个子公司。IDSIA是欧洲领先的昆虫智能的研究中心。 每天早上，“蚂蚁”根据货物的质量，目的地， 发送窗口，以及可用的卡车等，计算出货物发送队列的最优路径。 根据IDSIA与AntOptima的主管Luca Gambardella的计算，每天有1200辆卡车被发往各地。尽管计划每天都在变动，但每天计算的整个过程不会超过15分钟，
类蚂蚁的算法也被广泛应用在通信网络的路由计算问题之中。 IDSIA的另外两个研究员，Dorigo与Gianni Dicaro，开发出了蚂蚁网络，原理很类似于蚂蚁寻找食物的过程。这是一个路由协议，信息包从节点之间短转移，转移过程中，会留下标注着“质量”的信号。 其他的信息包会沿着前面的包所留下的包前进。 在小范围的网络测试表明，“蚂蚁网络”的表现要比现在的路由协议都要好。 它有更好的适应能力，可以应付复杂的状况（如突发的流量），对于节点错误也有更好的适应性。 据Di Caro透露，有许多大公司对“蚂蚁网络”很感兴趣，但是，如果要使用“蚂蚁网络”，则现存的网络设备需要更换，这是一笔极大的投资。 但蚂蚁网络可能被用在许多场合，如移动基站，军事通信以及其他一些场所。
路由，包括负载和路径，是数学上称为离散变量的问题，研究对象是一个衡定的大值。 而对于连续变量（相对于离散）的难题，特别是那些解决方案有无穷多的问题（如寻找机翼形状），其他的昆虫智能也能工作得很好。 特定的昆虫优化（PSO），如James Kennedy与Rusell Eberhart在1990年代中期发明的算法，对鸟类更感兴趣。 当你在阳台上放置一个饲鸟器的时候，过很久才会有第一个来进食的鸟，但是紧跟着，其他的鸟很快翼会飞来。PSO试图重建这个过程。 人工鸟开始是随意地飞行，但是随时关注着其他的鸟，它一般是紧跟着食物的鸟。 现在PSO有650个测试应用程序，涵盖了图像、视频分析、天线设计，还包括医学诊断系统，以及工业设备中的错误检测系统等。
数字蚂蚁和鸟，在许多问题上工作地很好，但是Dorigo博士现在着力罢考一个新的课题：机器人。 一些小而便宜的机器人可以通过协作完成那些大且昂贵的机器人同样的工作，而且更为灵活与健壮，意思是如果一个机器人失效，昆虫机器人还是可以正常工作。 今夏，他将演示他的“Swarmandoid”项目。 这个项目基于三种小而简单的机器人，每种都有不同的功能，通过协作来探索周围的环境。 眼睛机器人负责观察并定位感兴趣的物体。 然后行走机器人会载着触手机器人到眼睛机器人所标识的地方。 触手机器人会捡起感兴趣的物体。 然后他们就返回起始地点。
所有的这些工作的完成都没有预先制定的计划，当然也没有中央指挥机构来协调。 所有的这些都基于单个机器人之间的互动之上。据Dorigo博士透露，这种昆虫机器人适用于生存救援，例如，定位幸存者、在火灾中找回有价值的商品。
Swarmanoid机器人的外形与激发创造他们的灵感的原型（鸟）相去甚远，但是昆虫给程序员很多灵感。 Dorigo博士的团队现在致力于研究一个系统，这个系统允许机器人检测团队的一个成员何时发生故障。 这个设计的灵感来自于萤火虫同步它们的闪光，可以使整棵树的萤火虫闪亮或熄灭。 机器人也做同样的事，如果一个灯光熄灭，由于同步，其他的机器人很快会有所反应，而且可以孤立不与系统同步的机器人，以避免其对系统带来麻烦，或者可以呼叫基地来强制执行。
所有这些都很鼓舞人心。 但是，任何对人工智能的难题感兴趣的人都会不由自主地想到人的思维，会惊叹于人的大脑的能力。不过，大脑的智慧绝不是人工智能所无法企及的。Dorigoand博士与他的同事已经在研究大脑智能的征途中，他们找到了当前研究水平下对于大脑思维的一个卓越模仿对象。
例如，根据认知科学与技术协会的Vito Trianni的研究，罗马的蜜蜂选择回巢路径的方法看起来就像是他们存在着智慧一般。 侦察蜂在适当的地点探索一个区域。 当他们发现一个好的地点时，他们返回巢穴开始跳摇摆舞（用来显示发现了花蜜丰富的花源），其他侦察蜂也会蜂拥而至。 花源地的花蜜质量越高，摇摆舞的频率和幅度就越大。直到更多的侦察蜂赶过来，带来足够多的工蜂为至。 用神经网络来代表蜜蜂，用电子活动来代表摇摆舞，现在对于刺激及反应就有一个良好的描述了。
昆虫认知理论的提出者，如Trianni博士，认为大脑的工作原理可能更像神经网络，而不是中央集权式的发号施令。 他们认为，甚至那些复杂的认知功能，如抽象理论与感觉，也是那些神经元在互动，就像是在跳“摇摆舞”而已。 他们谈论的是蜜蜂的智能，但是，他们可能没意识到，他们以一种隐喻的方式触及了人工智能的核心。