早期试验：搜寻新粒子早在二十世纪80年代，“神经网络”引发公众想象之初，粒子物理学家就盯上了人工智能（AI）。他们的研究领域适用于AI和机器学习算法：几乎每个实验都专注于从复杂粒子探测器无数相似的数据输出中找到其微妙的空间模式，这恰恰是AI所擅长的。粒子物理学家尝试通过以巨大的能量撞击亚原子粒子得到独特的新物质，以理解宇宙内部的运作机制。
例如，2012年科学家使用位于瑞士的世界最大大型强子对撞机(LHC)发现了预言已久的希格斯玻色子(Higgs boson)，这个转瞬即逝的粒子正是物理学家解释其他所有基本粒子获得自身质量的关键。然而，上述独特的新粒子出现时并非自带标签。在LHC中，约十亿次的质子对撞才会出现一个希格斯玻色子，并且它在十亿分之一皮秒内就衰变为其他粒子，如两个光子或四个μ介子。
为了重建Higgs粒子的轨迹，物理学家必须检查其他更为常见的粒子，看看重建结果是否与衰变方式一致。费米实验室的物理学家Pushpalatha Bhat认为，像神经网络的这类算法很擅长从背景中筛选信号。机器学习并没有接管该领域。物理学家仍主要依靠自身基本的物理认知来判断如何搜索新粒子和新现象出现的数据。
但是AI很可能变得越来越重要，加利福尼亚州劳伦斯伯克利国家实验室的计算机科学家Paolo Calafiura说道。2024年，研究人员计划升级LHC，将其对撞率增加10倍。到那时，机器学习对赶上大数据的洪流至关重要。
算法如何分析大众情绪？依靠数十亿的社交媒体用户和每年数千亿的推送和转发，社交媒体为社会科学带来了大数据。
同时心理学家Martin Seligman承认，它也开创了使用AI从人类交流中收集信息的先河。在宾夕法尼亚大学积极心理学中心，他和20多名心理学家、物理学家及计算机学家在世界幸福工程（World Well-Being Project）项目上使用机器算法和自然语言处理筛选大数据，评估公众的心理及生理健康情况。
在最近的一项研究中，Seligman及其同事考察了Facebook上29000名做过抑郁自测用户的更新信息。利用28000名用户的数据，机器学习算法找到了他们更新信息中的词语和抑郁等级间的联系。而在另一项研究中，团队通过分析1.48亿条推特预测出县级地区的心脏病死亡率；与生气和消极人际关系相关的词语被证明是高危因素。
从基因上寻找孤独症的根源对遗传学家来说，孤独症是一个烦扰的挑战。
遗传模式显示基因组对孤独症影响巨大。但是很多对孤独症起作用的变异基因只能解释其中20%的案例。找到其他的变异型基因或许能为从25000种其他人类基因和相关DNA数据中寻找线索提供条件——这是一项人类势在必行的调查任务。所以普林斯顿大学计算生物学家Olga Troyanskaya和纽约西蒙斯基金会支持使用AI工具。
Troyanskaya把数百组数据集整合起来，这些数据包括：在特定人类细胞内基因的活跃表现、蛋白质互作关系、转录因子的结合位点及其它关键基因组特征的定位。她的团队运用机器学习建立基因互作图谱，并把少数已经确认的孤独症基因与其它成千上万未知的基因相比较，从中寻找相似点。他们标记了出另外2500个很可能与孤独症有关的基因，去年在Nature Neuroscience报道了这项成果。