Lietojumspecifiskā integrālshēma (ASIC) ir mikroshēma, kas izstrādāta vienam konkrētam uzdevumam, nevis vispārējas nozīmes skaitļošanai kā CPU. MI jomā ASIC ir pielāgotas neironu tīklu aritmētikai – viens piemērs ir Google tenzoru procesori (TPU). Šim uzdevumam tie darbojas ātrāk un energoefektīvāk nekā vispārējas nozīmes mikroshēmas, taču to izstrāde ir dārga un tos ir grūti pielāgot jaunām slodzēm.
Neiromorfā skaitļošana ir aparatūras un programmatūras pieeja, kuras paraugs ir smadzeņu uzbūve. Tā vietā, lai pārvietotu datus starp atsevišķu atmiņu un procesoru taktēs, mākslīgie neironi un sinapses darbojas paralēli un reaģē tikai uz notikumiem, ko sauc par impulsiem. Tas sola ļoti zemu enerģijas patēriņu, piemēram, sensoros vai robotos. Pazīstami pētniecības mikroshēmu piemēri ir Intel Loihi un IBM TrueNorth; plaša komerciāla izmantošana vēl ir agrīnā posmā.
Dziļā mācīšanās ir mašīnmācīšanās nozare, kas izmanto mākslīgos neironu tīklus ar daudziem slāņiem. Šādi tīkli no lieliem datu apjomiem paši apgūst, kuras pazīmes ir svarīgas — no attēlu malām līdz nozīmes sakariem tekstos. Dziļā mācīšanās ir mūsdienu valodas modeļu, attēlu un runas atpazīšanas un mašīntulkošanas pamatā, un tai parasti nepieciešama ievērojama skaitļošanas jauda un daudz apmācības datu.
Mākslīgie neironu tīkli (ANN) ir skaitļošanas modeļi, kas sastāv no daudzām savienotām vienībām („neironiem”), kuras sakārtotas slāņos un apstrādā ievaddatus ar svērtiem savienojumiem. Apmācības laikā svari tiek soli pa solim pielāgoti ar piemēriem, parasti ar atpakaļizplatīšanos (backpropagation). ANN ir dziļās mācīšanās pamats, un uz tiem balstās attēlu atpazīšana, runas atpazīšana un lielie valodas modeļi. Neraugoties uz bioloģisko iedvesmu, tie darbojas daudz vienkāršāk nekā cilvēka smadzenes.
