Festo 专注于未来的智能生产。作为工业自动化技术和创新的引领者，我们立志将人工智能作为关键技术和核心竞争力，对人工智能进行系统化应用，为客户提供自动化技术解决方案。因此，我们针对新的机遇和应用领域展开研究。
人工智能涉及大量不同的方法和技术，如深度学习、强化学习或仿生人工智能。其中许多方法之前就开始使用，但是处理能力和现代化基础设施的进步意味着，现在，这些方法在工业生产中可以得到更广泛的应用。人工智能可以帮助我们解决那些之前无法解决的问题。例如，在具有强大流体力学的复杂系统的闭环控制技术中，通常不可能使用基于模型的方法。抽象不够精确，而且算法上过于复杂。强化学习可以帮助我们以后对此类系统进行训练。
强化学习使机器能够独立学习如何实现一个具体的目标或解决某个问题。其主要优势在于，计算机可以自己找到方法，该方法与有学习经验的人类会采取的方法可能截然不同。在许多案例中，这会产生没有人想到过的解决方案。强化学习开创了巨大的潜力，从控制技术到机器人技术和供应链计划，其应用范围极其广泛。
深度学习尤其适用于机器人需要熟练掌握的某些技术，如使用同一个抓手抓取不熟悉的物品。Festo 将深度学习算法应用于视觉领域的机器人技术，并将其与触觉、听觉和红外传感器相结合。这一应用的必要性在于，到目前为止，机器人通常需要依赖摄像头来操作，一旦没有光线，机器人就会停止工作。配有触觉、听觉和红外传感器的机器人运行更加稳定，并且可以在更困难的条件下工作。
在分布式异构系统领域，我们正在探究是否可以让不同的系统彼此学习，比如说，抓取系统能否将自己的知识传输给机器人。这种情况下，传输知识并非指交换数据，而是系统之间可以互相通信，将它们所学的知识分享给对方。如果可以实现，随着安装更多智能元件，整个系统可以自我优化，变得更强大。举例来说，如果一个丝杠式电缸与超大规格气缸先后进行同一项工作，那么气缸就可以通知丝缸式电缸，它需要做的是以更快的速度推进，而非满压力运行。这样就可以节省能源，并且效率更高。
向大自然学习是 Festo 的一个重要原则，其意义远不止仿生学。大自然也可以为算法提供实例。神经网络的结构部分模拟人类大脑，而脉冲神经网络功能对大脑的模仿程度甚至更深。脉冲神经网络可以不依赖彼此、独立地传输和处理信息（也不像神经网络那样只按层进行传输和处理）。也就是说，脉冲神经网络更节能、更快速，因此非常有望应用于处理能力极小的嵌入式系统。
Festo 与杜本根大学联合发起了“工业走进校园”合作项目，作为其中一项内容，我们正在探究脉冲神经网络是否可以承担更加复杂、甚至更具创造性的任务。
杜本根大学与 Festo 正在合作研究多个项目，其中之一就是算法的普适性和可转移性。如果能够转移算法，我们就不必针对每个系统和每个应用场景都对模型进行单独训练。