پارادوكس موراوك را می توان در بسیاری از انواع هوش اجتماعی گسترش داد. هماهنگی توزیع چند عامل در وسایل نقلیه خودمختار یک مشکل دشوار است. محاسبات عاطفی یک چتر بین رشته ای است که شامل سیستم هایی است که تأثیرات انسان را تشخیص ، تفسیر ، پردازش یا شبیه سازی می کند. موفقیت های متوسط مربوط به محاسبات عاطفی شامل تحلیل احساسات متنی و اخیراً ، تحلیل تأثیر چند حالته است (به تجزیه و تحلیل احساسات چند بعدی مراجعه کنید) ، که در آن AI اثرات نمایش داده شده توسط یک موضوع فیلمبرداری را طبقه بندی می کند.
در دراز مدت ، مهارتهای اجتماعی و درک درستی از احساسات و تئوری بازی برای یک عامل اجتماعی ارزشمند خواهد بود. قادر به پیش بینی عملکرد دیگران با درک انگیزه ها و حالات عاطفی آنها ، به یک عامل اجازه می دهد تا تصمیمات بهتری بگیرد. برخی از سیستم های رایانه ای از احساسات و عبارات انسان تقلید می کنند تا به پویایی عاطفی تعامل انسان حساس تر شوند ، یا در غیر این صورت تعامل انسان و کامپیوتر را تسهیل کنند. به همین ترتیب ، برخی از دستیاران مجازی برنامه دارند که به صورت مکالمه صحبت کنند یا حتی با طنز صحبت کنند. این گرایش به کاربران ساده لوحی تصور غیر واقعی از چگونگی واقعی رایانه های موجود رایانه ای می دهد.
از لحاظ تاریخی ، پروژه هایی مانند پایگاه دانش Cyc (1984– 1984) و ابتکار گسترده سیستم های رایانه ای نسل پنجم ژاپن (1982-1982) تلاش کردند تا وسعت شناخت بشر را پوشش دهند. این پروژه های اولیه موفق به فرار از محدودیت های مدل های منطق نمادین غیر کمی شدند و در گذشته نگر ، دشواری هوش مصنوعی متقابل را دست کم گرفت. امروزه اکثریت قریب به اتفاق محققان فعلی هوش مصنوعی به جای آن روی برنامه های باریک “AI باریک” (مانند تشخیص پزشکی یا ناوبری اتومبیل) کار می کنند. بسیاری از محققان پیش بینی می کنند که چنین کار “باریکی AI” در حوزه های مختلف فردی در نهایت در دستگاهی با هوش عمومی مصنوعی (AGI) درج می شود و بیشتر مهارت های باریک ذکر شده در این مقاله را با هم ترکیب می کند و در بعضی مقطع حتی در اکثر یا حتی توانایی انسان نیز فراتر می رود. همه این مناطق بسیاری از پیشرفت ها دارای اهمیت کلی و متقابل هستند. یکی از نمونه های بارز این است که DeepMind در دهه 2010 یک “هوش مصنوعی عمومی” ایجاد کرد که می تواند بسیاری از بازی های متنوع آتاری را به تنهایی بیاموزد ، و بعداً نوعی از سیستم را ایجاد کرد که در یادگیری های متوالی موفق می شود. علاوه بر یادگیری انتقال ، پیشرفت های فرضی AGI می تواند شامل توسعه معماری های بازتابنده ای باشد که می توانند در تصمیم گیری نظری تصمیم بگیرند و چگونه می توان “کم کاری کردن” یک پایگاه دانش جامع از کل وب ساختار نشده را کشف کرد. برخی معتقدند که نوعی “استاد الگوریتم” از نظر مفهومی ساده ، اما از نظر ریاضی دشوار می تواند منجر به AGI شود. سرانجام ، چند رویکرد “نوظهور” به دنبال شبیه سازی هوش انسانی از نزدیک است ، و معتقدند که ویژگی های انسان شناسی مانند مغز مصنوعی یا رشد کودک شبیه سازی شده ممکن است روزی به نقطه بحرانی که در آن ظهور می شود ، برسد.
در صورتي كه ماشين آلات براي حل مشكلات و نيز مشكلات مردم ، ممكن است بسياري از مشكلات موجود در اين مقاله نياز به هوش عمومي داشته باشد. به عنوان مثال ، حتی کارهای صریح و مشخص مستقیم ، مانند ترجمه ماشینی ، مستلزم آن است که یک دستگاه به هر دو زبان بخواند و بنویسد (NLP) ، استدلال نویسنده (دلیل) را دنبال کند ، بداند که در مورد چه چیزی صحبت می شود (دانش) ، و با اطمینان از تولید نویسنده اصلی. قصد (هوش اجتماعی). مشکلی مانند ترجمه ماشینی “AI-کامل” تلقی می شود ، زیرا برای دستیابی به عملکرد دستگاه در سطح انسانی ، باید همه این مشکلات به طور همزمان حل شود.