Kompiuterinis intelektas (CI) yra kompiuterių mokslo šaka, kurioje projektai vystosi iš apačios į viršų, o tvarka atsiranda dėl pradinio struktūros trūkumo. Tai panašu į daugelį gamtoje vykstančių procesų. Skaičiavimo intelektas apima tokias sąvokas kaip evoliucinis skaičiavimas, kai problemos sprendžiamos naudojant evoliucinio proceso modelius, o pritaikius mašininiam mokymuisi leidžia robotams mokytis iš patirties. Neaiškia logika, sistema, panaši į žmogaus sprendimų priėmimą, gali būti naudojama sprendžiant problemas, kai yra neaiškumų ar netikrumo. Neuroniniai tinklai yra sistemos, pagrįstos žmogaus smegenų funkcija ir gali būti naudojamos sudėtingų duomenų modeliams ir tendencijoms aptikti.
Skirtingai nuo kietojo skaičiavimo, kai sprendimai garantuojami, o problemos ribojamos pagal griežtas sąlygas, skaičiavimo intelektas patenka į minkštųjų kompiuterių kategoriją, kur ne visada būna sėkmingų rezultatų. Skaičiavimo intelektas dažnai semiasi įkvėpimo iš gamtos, pavyzdžiui, evoliucinio skaičiavimo srityje, kur kuriamos sistemos, kurios vystosi sprendžiant sudėtingas problemas. Tai gali būti taikoma dirbtiniam arba sintetiniam intelektui, todėl atsiranda robotai, kurie mokosi iš patirties ir laikui bėgant tobulėja.
Neaiškia logika pagrįstos sistemos gali būti naudojamos skaičiavimo intelekte, siekiant imituoti žmogaus mąstymo būdus. Juos būtų galima derinti su biologiškai įkvėptais neuroniniais tinklais kognityvinės robotikos srityje, sukuriant robotus, gebančius mąstyti taip, kaip žmogaus mąstymo procesus. Tokie robotai gali ne tik mąstyti, bet ir mokytis, prisiminti, suvokti ir priimti sprendimus neapibrėžtumo akivaizdoje, kaip tai daro žmonės. Tai leistų robotams geriau suprasti žmonių prašymus ir aptikti vartojamų žodžių prasmę. Tai gali būti būtina mašinai, atliekančiai buitines užduotis.
Neuroniniai tinklai paprastai laikomi skaičiavimo intelekto dalimi. Kaip ir žmogaus smegenys, jos susideda iš daugybės tarpusavyje susijusių atskirų dalių, panašių į nervus. Jie kartu sprendžia problemas, mokosi, nes jungtys tarp elementų yra reguliuojamos, kaip ir nervų jungtys.
Kai neuroniniai tinklai išmoksta analizuoti duomenis, jie gali veiksmingai tapti savo srities ekspertais ir gali būti naudojami prognozuojant įvairių scenarijų rezultatus. Šio tipo skaičiavimo intelekto trūkumas yra tas, kad jam reikia daug skaičiavimo galios ir jis gali veikti nenuspėjamai. Neuroninių tinklų nereikėtų painioti su ekspertinėmis sistemomis, kurios sprendimams priimti naudoja iš anksto nustatytus taisyklių rinkinius ir nepritaiko jų, kad atitiktų duomenis.