Festo 專注於未來的智慧生產。做為工業自動化技術和創新的引導者，我們立志將人工智慧做為關鍵技術和核心競爭力，對人工智慧進行系統化應用，為客戶提供自動化技術解決方案。因此，我們針對新的機遇和應用領域展開研究。
人工智慧涉及大量不同的方法和技術，如深度學習、強化學習或仿生人工智慧。其中許多方法之前就開始使用，但是處理能力和現代化基礎設施的進步意味著，現在，這些方法在工業生產中可以得到更廣泛的應用。人工智慧可以協助我們解決那些之前無法解決的問題。例如，在具有強大流體力學的複雜系統的閉迴路控制技術中，通常不可能使用基於模型的方法。抽象不夠精確，而且演算法上過於複雜。強化學習可以協助我們以後對此類系統進行訓練。
強化學習使機器能夠獨立學習如何實現一個具體的目標或解決某個問題。其主要優勢在於，電腦可以自己找到方法，該方法與有學習經驗的人類會採取的方法可能截然不同。在許多案例中，這會產生沒有人想到過的解決方案。強化學習開創了巨大的潛力，從控制技術到機器人技術和供應鏈計劃，其應用範圍極其廣泛。
深度學習尤其適用於機器人需要熟練掌握的某些技術，如使用同一個夾爪抓取不熟悉的物品。Festo 將深度學習演算法應用於視覺領域的機器人技術，並將其與觸覺、聽覺和紅外線感測器相結合。這一應用的必要性在於，到目前為止，機器人通常需要依賴視覺系統來操作，一旦沒有光線，機器人就會停止工作。配有觸覺、聽覺和紅外線感測器的機器人運作更加穩定，並且可以在更困難的條件下工作。
在分散式異構系統領域，我們正在探究是否可以讓不同的系統彼此學習，例如，抓取系統能否將自己的知識傳輸給機器人。這種情況下，傳輸知識並非指交換資料，而是系統之間可以互相通訊，將它們所學的知識分享給對方。如果可以實現，隨著安裝更多智慧元件，整個系統可以自我優化，變得更強大。舉例來說，如果一個螺桿式電缸與超大規格氣缸先後進行同一項工作，氣缸就可以通知螺桿式電缸，它需要做的是以更快的速度推進，而非全壓力運作。這樣就可以節省能源，並且效率更高。
向大自然學習是 Festo 的一個重要原則，其意義遠不止仿生學。大自然也可以為演算法提供實例。神經網路的結構部分模擬人類大腦，而脈衝神經網路功能對大腦的模仿程度甚至更深。脈衝神經網路可以不依賴彼此、獨立地傳輸和處理資訊（不同於神經網路只按層進行傳輸和處理）。也就是說，脈衝神經網路更節能、更快速，因此非常有望應用於處理能力極小的嵌入式系統。
Festo 與德國 Tübingen 大學聯合發起了「工業走進校園」合作專案，做為其中一項內容，我們正在探究脈衝神經網路是否可以承擔更加複雜、甚至更具開創性的任務。
德國 Tübingen 大學與 Festo 正在合作研究多個專案，其中之一就是演算法的通用性和可轉移性。如果能夠轉移演算法，我們就不必針對每個系統和每個應用場景都對模型進行單獨訓練。