La "inteligencia artificial" en sí es un campo amplio, que abarca lógica, optimización, probabilidad, percepción, razonamiento, toma de decisiones y aprendizaje. El objetivo es integrar agentes inteligentes en los sistemas de control.

De forma un tanto recíproca, la teoría de control ha influenciado a la investigación en inteligencia artificial (el concepto de "agente" es muy similar al de "regulador"). Así, desde unos comienzos basados en sistemas expertos con reglas intuitivas y métodos de aprendizaje de redes neuronales, en la actualidad el control inteligente bebe de las teorías de sistemas adaptativos, no lineales y de modelos locales y planificación de ganancia (desigualdades matriciales lineales). Asimismo, como se ha dicho, los investigadores en inteligencia artificial utilizan resultados de control y "cibernética", en particular optimización de índices de coste y programación dinámica y el concepto de estado de sistema dinámico y filtrado de Kalman.

Es difícil definir "inteligencia" adecuadamente y, por tanto, definir las características que hacen un controlador "inteligente" en comparación con otro. Las características que se tratan de implementar en los sistemas inteligentes son:

• Interpretación o interacción en términos de lenguaje natural (reglas, conceptos, "computing with words")
• Representación/codificación eficiente de "conocimiento".
• Razonamiento e inferencia
• Aprendizaje

El problema de base es si la "biomimicidad" puede dar lugar a controladores avanzados o si, por contra, la formalización teórica puede dar lugar a mejores resultados. Los progresos recientes parecen indicar lo segundo. Es, parafraseando a S. Russell, paralelo al desarrollo de la aviación: los primeros aviones útiles fueron aquéllos que, olvidando el imitar a pájaros, utilizaron la mecánica y aerodinámica en sus diseños.

No obstante, en procesos complejos, de modelos muy poco precisos donde las suposiciones teóricas no son fáciles de verificar, puede que siga teniendo cabida el razonamiento, la "intuición", el sentido común y el "aprendizaje".

Los formalismos en los que se basan los sistemas de control (o, de modo genérico, de decisión) "inteligente" son, además de la teoría de control no lineal y adaptativo básica:

• inferencia lógica (en particular, la lógica borrosa)
• inferencia probabilística (usada en sistemas expertos de supervisión y diagnóstico, en particular las redes bayesianas)
• teoría de grafos y programación dinámica.
• ajuste de parámetros (de sistemas con capacidades de generalización adecuadas, como las redes neuronales, los sistemas neuro-borrosos y los support vector machines) en aprendizaje supervisado o clasificación (clustering), mediante técnicas deterministas o aleatorias.
• biomimicidad pura (neurofisiología y psicología, etc.) que no ha dado demasiados resultados en el área de control, aunque sí ideas (aprendizaje por refuerzo, razonamiento...).
• programación avanzada (arquitecturas inteligentes, orientación a objetos) donde integrar las herramientas para aplicaciones industriales.

Las actividades e intereses del grupo son paralelos a los del IFAC technical committee on "Cognition and Control", cuyas lineas básicas de interés son:
Knowledge-based, fuzzy and neural systems relevant to control, structure optimisation by genetic algorithms, performance objectives, operation constraints, and awareness for computational issues. All aspects of knowledge-based, fuzzy and neural systems relevant to control including modeling, identification, stability analysis, design, learning, adaptation, evaluation, implementation, optimisation of structure and parameters by means of genetic algorithms, definition of performance objectives and operation constraints, as well as awareness for computational issues and computer-aided design tools.