在人工智能研究中，常識性知識包括關于日常世界的事實，如檸檬是酸的，所有人類都應該知道。它目前是人工通用智能中一個未解決的問題。xxx個解決常識性知識的人工智能程序是約翰-麥卡錫在1959年開發的AdviceTaker。常識性知識可以作為常識性推理過程的基礎，以嘗試推論，如你可能會烤一個蛋糕，因為你希望人們吃這個蛋糕。一個自然語言處理過程可以附加到常識性知識庫中，使知識庫能夠嘗試回答關于世界的問題。常識性知識也有助于在不完整的信息面前解決問題。利用廣泛持有的關于日常物品的信念，或常識性知識，人工智能系統對未知事物進行常識性假設或默認假設，與人們的方式相似。例如，如果我們知道Tweety是一只鳥的事實，因為我們知道關于鳥的普遍信念，通常鳥會飛，而不知道關于Tweety的其他事情，我們可以合理地假設Tweety會飛的事實。隨著時間的推移，更多的世界知識被發現或學習，人工智能系統可以使用真理維護過程來修正它對Tweety的假設。如果我們后來知道Tweety是一只企鵝，那么真理維護就會修改這個假設，因為我們也知道企鵝是不會飛的。

常識推理模擬了人類利用常識知識對每天遇到的普通情況的類型和本質進行推測的能力，并在新信息出現時改變他們的想法。這包括時間、缺失或不完整的信息以及因果關系。解釋因果關系的能力是可解釋人工智能的一個重要方面。真理維護算法會自動提供解釋設施，因為它們會創建詳細的推測記錄。與人類相比，所有嘗試人類水平人工智能的現有計算機程序在現代常識推理基準測試（如WinogradSchemaChallenge）中表現極差。在常識性知識任務上達到人類水平的能力問題被認為可能是人工智能完全的問題（也就是說，解決這個問題需要有合成完全人類水平的智能的能力），盡管有些人反對這個概念，認為人類水平的人工智能也需要有同情心的智能。常識推理已經成功地應用于更有限的領域，如自然語言處理和自動診斷或分析。

匯編常識性論斷（CSKB）的綜合知識庫是人工智能研究中的一個長期挑戰。從早期的專家驅動的努力，如CYC和WordNet，通過眾包的OpenMindCommonsense項目取得了重大進展，這導致了眾包的ConceptNetKB。有幾種方法試圖自動構建CSKB，最明顯的是通過文本挖掘（WebChild,Quasimodo,TransOMCS,Ascent），以及直接從預訓練的語言模型（AutoTOMIC）中獲取。這些資源比ConceptNet要大得多，盡管自動化的構建方式使它們的質量略低。在表示常識性知識方面也存在著挑戰。大多數CSKB項目遵循三重數據模型，這不一定最適合于破解更復雜的自然語言斷言。

這里一個明顯的例外是GenericsKB，它沒有對句子進行進一步的規范化處理，而是完整地保留了句子。應用2013年左右，麻省理工學院的研究人員開發了BullySpace，這是常識性知識庫ConceptNet的延伸，用于捕捉嘲弄性的社交媒體評論。BullySpace包括超過200個基于刻板印象的語義斷言，以幫助系統推斷，如果針對男孩而不是女孩，戴上假發和口紅，做真正的自己這樣的評論更可能是一種侮辱。概念網還被聊天機器人和創作原創小說的計算機所使用。在勞倫斯-利弗莫爾國家實驗室，常識性知識被用于一個智能軟件代理，以檢測違反全面禁止核試驗條約的行為。