源自机器学习的统计人工智能往往更关注归纳思维：给定一组模式，诱导趋势。

经典人工智能是人工智能研究的一个分支，它关注于试图以声明的形式明确表示人类知识，即给定一组约束，推导出一个结论。

另一个区别是 C++、Python 和 R 往往是统计 AI 最喜欢的语言，而 LISP 和 PROLOG 在经典 AI 中占主导地位。

如果不显示归纳和演绎思想的属性，系统就不可能更加智能。这使许多人相信，最终，统计和经典 AI 将会有某种综合。

机器学习技术通常使用很多统计方法，比如神经网络：像这样的一本书（理解机器学习：从理论到算法ISBN 978-1-107-05713-5）充满了数学方程。

符号人工智能，例如经典专家系统方法（具有一些知识库），与逻辑更相关：像这样的书（人工存在：有意识机器的良心ISBN 978 1848211018）几乎没有复杂的方程，而是简单的方程.

人工智能软件可以结合这两种方法（特别是与元编程：生成其他程序的程序；甚至元规则）：RefPerSys项目试图这样做。

人工神经网络以某种方式“工作”，但你无法理解为什么。

基于知识的系统是更可解释的人工智能。

经典 AI 系统可以使用元编程技术生成代码（C、C++、Common Lisp、机器代码），并且可以与机器学习或深度学习方法混合，和/或使用现有的机器学习库。

请注意，统计 AI 和经典 AI 之间的区别不在于编程语言或操作系统。例如，垃圾收集可能（也可能不）与这两种方法相关。