Guestrin还在开发另外一种系统，它可以搜索数量众多的博客，根据某个用户的浏览记录和偏好，找出该用户有兴趣阅读的博客。他表示，这项任务听上去与通过传感器预测污染物扩散的任务完全不同，其实背后是一样的原理。
“污染物通过供水系统来扩散，基本上就像新闻故事通过互联网来传播。我们能够使用同一种建模思想和算法来解决这两个问题。”
Guestrin还认为，像博客过滤器这些具有人工智能功能的工具，其重要意义不仅仅局限于能够每天节省几分钟时间。“我们根据非常有限的信息做出生活当中的决定，比如我们选举谁、我们觉得哪些问题重要。但是人们往往没有做出某种明智决定所需要的那种分析能力，尤其是信息量增加后，我们做出明智决定的能力实际上反而减弱了，而机器学习和人工智能恰恰可以助我们一臂之力。”
微软研究部门在道路交通预测模型中结合了传感器、机器学习以及对人类行为的分析。对传感器和计算机预测而言，预测交通瓶颈似乎是一种不是很困难的应用。以美国某些围绕大城市的州际公路为例，往往在星期一下午5点出现交通堵塞。司机这时可能想知道，什么地方、什么时候出现了交通堵塞的情况，或其他意外情况。另外更重要的是，司机希望堵车之前就知道这种情况会在什么地方出现。于是，微软研究部门建立了一个“意外情况预测”模型，通过以往的交通情况，结合传感器捕获的实际交通流量，学会预测30分钟后的意外情况。在测试时，该模型能够预测西雅图地区道路上大约50%的意外情况。现在该模型已经投入使用、服务于几千名司机，他们可在Windows Mobile设备上收到预警信息。
很少有几家组织需要像搜索引擎公司那样需要弄清楚大量数据的意思。比方说，要是某个用户使用谷歌搜索引擎搜索“玩具车”，然后点击出现在搜索结果顶部的沃尔玛广告，这能为沃尔玛创造多少价值呢？谷歌应当为这次点击收取多少费用呢？答案就在于人工智能采用的“数字交易代理”(digital trading agents)这项特长，沃尔玛和谷歌等公司在网上自动拍卖中运用了这项技术。
密歇根大学教授兼搜索市场专家Michael Wellman解释: “关键字多达数百万，一个广告客户可能只对其中的数百个或数千个有兴趣。他们必须关注关键字的价格，然后决定如何分配广告预算。谷歌或雅虎要弄清楚某个关键字的价值多少太难了，他们就让市场通过拍卖过程自行决定价值。”
“玩具车”查询提交上去后，谷歌会在极短的时间内查询哪些广告客户对这些关键字感兴趣，然后查看他们的竞价，决定显示谁的广告、把广告投放在页面上哪个部分。Wellman说: “我特别感兴趣的问题是，广告客户应当如何确定竞购哪些关键字、出多少竞价、如何根据广告实际效果不断学习调整，以及有多少竞争对手在竞购某个关键字。”
Wellman表示，目前已知最出色的模型采用了面对不确定情况来预测价格的机制。显然，任何一方都别指望通过每笔交易来优化财务效益，但是他们可以将机器学习运用到实时报价和竞标上，从而不断提高效益。
研究大脑机理
有人可能以为人工智能是从研究人类大脑工作机理入手的。但人工智能方面的进步大多来自计算机科学，而不是来自生物或认知科学。
这些领域有时有着共通的思想，但它们之间的合作充其量也只是一种“松散耦合”的关系，卡内基·梅隆大学机器学习系主任Tom Mitchell说。“过去人工智能方面的大部分进步来自良好的工程学思想，而不是因为我们观察了大脑的工作机理，然后进行模仿。”
但是，现在这种情况在发生变化。“突然，我们有办法来观察大脑到底在做什么，借助诸如功能性磁共振成像的脑部成像方法。这种方法可以观察人在思考时大脑的实际活动。”Michael说。
他表示，认知科学和计算机科学如今能够实现以前不可能实现的思想共通。比方说，如果机器人做对了事，某些人工智能算法会向机器人发出小小的奖励信号; 要是做错了事，就会发出惩罚信号。随着时间的推移，这会形成累积效应，机器人就会学习、完善。
Mitchell表示，研究人员通过功能性磁共振成像方法发现，大脑的一些部位其实际活动与这种“强化学习”算法预测的如出一辙。他说: “人工智能实际上有助于我们开发了解我们大脑中实际活动的模型。”