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.
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.
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.
Kvantu skaitļošana izmanto kvantu fizikas efektus, piemēram, superpozīciju un sapīšanos, lai skaitļotu ar kubitiem klasisko bitu vietā. Lieli ātruma ieguvumi tiek gaidīti noteiktiem uzdevumiem, piemēram, molekulu simulēšanai, dažām optimizācijas problēmām vai mūsdienu šifrēšanas metožu laušanai. Tomēr šīs mašīnas joprojām ir kļūdu pakļautas un galvenokārt tiek izmantotas pētniecībā un izmēģinājuma projektos (stāvoklis uz 2026. gada oktobri). Mūsdienu MI lietojumprogrammās kvantu skaitļošanai pagaidām praktiski nav nozīmes.
Kognitīvā skaitļošana ir kopīgs apzīmējums sistēmām, kuru mērķis ir atdarināt cilvēka domāšanas procesus, piemēram, valodas izpratni, spriešanu un mācīšanos no pieredzes, lai atbalstītu cilvēku lēmumus. Termins plaši kļuva zināms 2010. gados, galvenokārt ar IBM Watson starpniecību. Tā apvieno tādas metodes kā dabiskās valodas apstrāde, mašīnmācīšanās un zināšanu reprezentācija; mūsdienās biežāk runā par MI asistentiem vai valodas modeļiem.
