识别是机器行为的基础。和人的行为一样，机器行为本质是对外部刺激的反应。因此，以识别为基础的信息感知是机器行为的首要任务。所谓识别就是人工智能算法或者其他智能主体对物体的类别、属性以及环境进行判断，以便决定后续的机器行为，这对于机器行为具有决定性的意义。

目前，比较有代表性且比较成熟的识别行为是人脸识别技术，其在身份认证、监控、娱乐领域都有着广泛的应用。一个完整的人脸识别系统包含图像采集、人脸检测、图像预处理、特征提取和识别匹配等关键步骤。

在人工智能领域，一种常见的识别算法称为“懒惰学习”。懒惰学习中，机器要识别一个样本，就需要从历史数据中寻找最相似的示例，并将其共有类别或属性作为识别结果，其识别过程本质上是寻找相似样本。例如K最相邻（k-nearest neighbour）算法就是一种典型的懒惰学习算法。

除了对后续的机器行为产生决定性作用以外，识别行为还涉及机器行为学的一个核心问题就是对人的隐私的影响，这也是机器识别行为在设计过程中需要考虑的问题。

求解是机器算法在给定约束之下找到特定问题的可能答案的过程。求解过程就是内部机器行为的本体。一个标准的求解行为首先需要对问题、约束、变量、条件等进行形式化，然后按照一定的算法寻找到该问题的答案。这是经典的策略求解的过程。从机器行为的角度而言，求解的核心是求解的结果需要考虑人和社会的因素，也就是说，从机器行为的角度来看，求解的结果除了考虑计算机领域的最优解或者最合理解以外，还要将其对人与社会的影响作为重要的要素考虑进去，或者要考虑对人与社会“满意的（satisfied）”或者“合理的（rational）”解。

以典型的求解方法——搜索来看，搜索的过程和方法有很多种，但是搜索的结果如何得到一个满意的解，是机器行为学关注的重点。事实上，与前面定义“合理”类似，定义“满意”的概念对于机器行为学本身也不是一个容易的话题。从行为科学的角度来看，人可能在某个时候是满意的，但是过后又不满意了。这在行为科学里称为短期情绪与长期情绪。

在机器行为求解过程中，还会遇到一些所谓的病态结构（ill-structured）的问题，这些问题的本质就是其问题本身都是不明确的，例如设计、写作文都是这样的情况。因此，针对这些问题的求解是机器行为学进一步深入发展的重要方向。

总的来说，从机器行为学的角度来看，机器的求解过程是对人与社会产生最大影响的行为，因此，需要特别小心地处理机器行为产生的结果对人与社会的影响和作用。在具体的操作层面上，需要将其作为人工智能求解的目标函数之一。

预测是机器行为的高级阶段，一般指智能体根据以往经验对未来状态给出事先估计。预测一般采用类比问题求解的策略，未来的状态如果和过去某个样本接近，那就以过往的例子作为参考。最为典型的预测机器就是在线购物的推荐系统，可根据人们过去的购买习惯和偏好来推荐相关的商品。从机器行为学的角度看，机器的预测行为可能对人类社会产生巨大的影响。例如网上约会和在线择偶平台，根据每人的基本信息，对人和人之间未来的伙伴关系进行预测，推荐合适的人选。

预测最大的挑战是未来不确定性导致的概念边界的模糊性。一种常见的预测工具是模糊数学中的模糊集合论。模糊集合论最大的优点就是除了规定某个要素是不是属于另外要素外，允许使用某规定元素的集合程度，并可以在一个时间范围内开展预测。

从机器行为的角度来说，一旦智能机器可以进行预测的话，就可以构建一个比较清晰的智能系统对人类带来的影响的模型，这也正是机器行为学关注的核心问题之一。