A mesterséges intelligencia számos módszert és technikát jelent. Ezek közé olyan módszerek tartoznak, mint a mélytanulás, a megerősítő tanulás vagy a bioinspirált mesterséges intelligencia (bio-inspired AI). E módszerek közül sok nem új, de a megnövekedett számítási teljesítmény és a korszerűsített infrastruktúra ma már lehetővé teszi a széles körű alkalmazásukat az ipari termelésben. A mesterséges intelligencia lehetővé teszi számunkra, hogy olyan problémákat oldjunk meg, amelyek korábban megoldhatatlanok voltak: Például a jelentős áramlástani jellemzőkkel bíró komplex rendszerek szabályozástechnikájában gyakran nem lehet modellalapú módszerekkel dolgozni. Az absztrakciók túl pontatlanok vagy matematikailag túl bonyolultak. A megerősítő tanulás lehetővé teszi, hogy a jövőben ilyen rendszereket tanítsunk.
A megerősítő tanulással a gépek önállóan megtanulják, hogyan érjenek el egy adott célt, vagy oldjanak meg egy problémát. Nagy előnye, hogy a számítógép maga találja meg az utat, ami akár egészen más is lehet, mint amit egy tanult tapasztalattal rendelkező ember választana. Ez sok esetben olyan megoldásokat eredményez, amelyekre korábban nem gondoltak. Az alkalmazási területek hatalmasak: az szabályozástechnikától a robotikán át, az ellátási láncok tervezéséig a megerősített tanulás hatalmas lehetőségeket nyit meg.
A mélytanulás különösen alkalmas az olyan egyedi képességekre, amelyekben egy robotnak nagyon jónak kell lennie: például ismeretlen tárgyak megfogása, de mindig ugyanazzal a megfogóval. A Festo a látással, de a haptikával, akusztikával kapcsolatos és infravörös érzékelők robotikai felhasználásához is biztosít mélytanulási algoritmusokat. Eddig a robotok gyakran kamera alapúak voltak, és nem tudtak tovább dolgozni például a világítás meghibásodása esetén. A haptikus, akusztikus és infravörös érzékelők robusztusabbá és nehezebb körülmények között is működőképessé teszik a robotokat.
Az elosztott inhomogén rendszerek területén azt vizsgáljuk, hogy lehetséges-e az, hogy a különböző rendszerek tanuljanak egymástól: képes-e például egy handling rendszer átadni a tudását egy robotnak. A tudás ebben az esetben nem az adatok cseréjét jelenti, hanem azt, hogy a rendszerek kommunikálnak egymással, és megosztják egymással a megtanult tudásukat. Ha ez lehetséges, akkor a teljes rendszerek optimalizálhatják magukat, és annál jobbak lesznek, minél több intelligens komponens kerül beépítésre. Ha például egy golyóorsós tengely és egy túlméretezett henger egymás mögött dolgozik, a henger azt jelzi a golyósorsós tengelynek, hogy a teljes nyomás helyett nagyobb sebességgel nyúljon ki. Együttműködésükkel energiát takarítanak meg, és hatékonyabbá teszik a közös munkát.
A természettől való tanulás fontos alapelv a Festo számára, és nem csak a bionikában. A természet is lehet az algoritmusok modellje. Szerkezetüket tekintve a neurális hálózatokat részben az emberi agyról mintázták, de a pulzáló neurális hálózatok (tüskés neurális hálózatok) működése még közelebb áll az emberi agyhoz. Egymástól függetlenül képesek információt továbbítani és feldolgozni (és nem csak rétegenként, mint a neurális hálózatokban). Így energiatakarékosabban és gyorsabban működnek, éppen ezért ígéretes megoldást kínálhatnak a kis számítási teljesítményű, beágyazott rendszerek számára.
A Tübingeni Egyetemmel folytatott "Industry on Campus" együttműködés keretében közösen azt vizsgáljuk, hogy a Tüskés Neurális Hálózatok képesek-e összetettebb vagy akár kreatív feladatok megoldására is.
A Tübingeni Egyetem és a Festo más közös kutatási tevékenységek mellett az algoritmusok általánosíthatóságával és átvihetőségével is foglalkozik. Fontos, hogy ne kelljen minden egyes rendszerre és minden egyes felhasználási esetre külön modellt képezni, hogy az algoritmusokat át tudjuk adni.