Systemy hybrydowe i neurosymboliczne Odrębnym nurtem jest łączenie różnych paradygmatów sztucznej inteligencji w obrębie jednego systemu. Inteligentne systemy hybrydowe powstają przez połączenie systemów ekspertowych, sieci neuronowych, logiki rozmytej i algorytmów genetycznych tak, aby zalety jednych składników kompensowały wady innych. Współczesną postacią tego podejścia jest sztuczna inteligencja neurosymboliczna, która integruje uczenie oparte na sieciach neuronowych z symboliczną reprezentacją wiedzy i wnioskowaniem logicznym, m.in. w celu poprawy interpretowalności i wiarygodności systemów.
Integracja w erze dużych modeli językowych Wraz z rozwojem dużych modeli językowych ciężar prac przesunął się z pojedynczych modeli na tzw. złożone systemy AI (ang. compound AI systems), które realizują zadania za pomocą wielu współdziałających komponentów: wielokrotnych wywołań modeli, mechanizmów wyszukiwania oraz zewnętrznych narzędzi. Zwolennicy tego podejścia wskazują, że część zadań łatwiej poprawić przez projektowanie systemu niż przez skalowanie modelu, a systemy dają większą kontrolę nad danymi, kosztami i wiarygodnością odpowiedzi. Same modele językowe mogą również uczyć się korzystania z zewnętrznych interfejsów (kalkulatorów, wyszukiwarek, systemów tłumaczących), co pokazano m.in.