מאותו זמן, ועד לוועידה לאינטליגנציה מלאכותית, ב-1977, 21 שנים לאחר ועידת דרטמות, עיקר המימון למחקרים בפיתוח בינה מלאכותית הגיע מהסוכנות לפרויקטים מיוחדים של משרד ההגנה האמריקני. ייתכן שמקור מימון זה, שלא היה תלוי ב"בקרת העמיתים" המפורסמת של העולם המדעי, הוא זה שאיפשר בסופו של דבר את ההתקדמות הגדולה בתחום.
אחד המשחקים שהיו נפוצים ביותר באותן שנים בקרב מדעני מחשב, היו דיונים בשאלה האם מחשב יכול לנצח את האדם במשחק שח-מט (ניצחון נתפש כעדות לתבונה); וכמובן, ניסיונות לבנות וליישם תוכנות שיצליחו במשימה הזאת. המאמצים האלה לוו לא אחת בהכרזות שעוררו ויכוחים ודיונים ציבוריים. כך, למשל, מרווין מינסקי הכריז ב-1967 שבתוך שנות דור תפותח ותיושם בינה מלאכותית. התקווה הזאת, כמו ועידת דרטמות לפניה, הסתיימה באכזבה. עם זאת, "מערכות מומחה" שפותחו במקומות שונים בעולם על בסיס ארכיטקטורה של רשתות עצבים, מבית מדרשו של מינסקי, הציעו לרופאים, מהנדסים, סוכני ביטוח, משקיעים בבורסה ועוד, סיוע מקצועי, אבחנות מהירות ומדויקות, זיהוי מגמות ועוד. אבל בסופו של דבר, איכות החישובים שלהן לא עמדו בתחרות מול בני-אדם שהיו מומחים בתחומים אלה.
נדרשו כמעט 40 שנה עד שבאמצע העשור הראשון של האלף השלישי, חזר ועלה הרעיון המקורי של מינסקי: לבנות מערכת ממוחשבת שתתחקה את המבנה ועקרונות הפעולה של המוח האנושי. נראה שרעיונות אלה, שהקדימו את זמנם, הבשילו בשנים אלה, והובילו לפיתוח השיטה הקרויה "למידה עמוקה". בעשור השני של האלף השלישי, התעשיה הכוללת של ה"למידה העמוקה" כבר הקיפו עשרות מיליארדי דולרים בשנה. חברות ומדינות מתחרות ביניהן במרוץ מהיר אל קו המטרה שכבר נראה קרוב ובר-השגה: פיתוח בינה מלאכותית, שתתגבר במידה משמעותית את בינת האדם.
למעשה, למידה עמוקה אינה "מעתיקה" במדויק את הארכיטקטורה של מוח האדם, אלא מתבססת על מערכת של כללים מתמטיים שמאפשרים לה לסקור דוגמאות - וללמוד מהן על מערכות גדולות יותר שמצויות במציאות. כך היא יכולה, למשל, לזהות אנשים או חפצים גם בתמונות שמראות אותם בזוויות שונות, לתרגם שפות, לקבל ולקודד מידע שניתן באמצעות דיבור אנושי (בשפות שונות), פיענוח ואיבחון רפואי של תוצאות בדיקה בתהודה מגנטית (MRI), ועוד.
הלמידה העמוקה מאפשרת לאדם, המדען או המתכנת, לאמן את המערכת, ולגרום לה ללמוד ולהסיק מסקנות ממידע על תופעה מסוימת - ולאחר מכן להשתמש באותו ידע כדי לבחון אפשרויות פעולה ולקבל החלטה בהמשך. מדובר, במובן מסוים, בתהליך דומה לזה שבו אנו מחנכים ילדים, או אנשים צעירים ומלמדים אותם להשתמש במיומנויות שונות. במילים אחרות, מדובר בתהליך שכל אחד מאיתנו מכיר. הוא מתחיל בתפיסה כללית שיש לנו על העולם הסובב אותנו, ואז מתמקד במטרה מסוימת, אותה הוא בוחן בניסוי, חווה טעייה, מה שמוביל אותו להסקת מסקנה - ולשיפור מתמיד שמאפשר לנו ללמוד מטלות חדשות ולשפר את יכולתנו להתמודד איתן.
המרכיבים הבסיסיים של המוח הם תאי עצב הקרויים נירונים. כל תא כזה שולח אותות לנירונים אחרים, דרך צמתי תקשורת הקרויים סינפסות. כושר המעבר של המסר דרך הצומת, מתחזק ככל שהתאים "לומדים". אם רוצים, אפשר לראות זאת כך, שהמעבר של מסרים במסלולים מוכרים, קל ויעיל יותר בהשוואה לקושי המעבר בדרכים ומסלולים חדשים. הפיכה של מסלול "חדש" למסלול "מוכר", היא למידה. כך, למשל, יכולה מערכת ממוחשבת שמבוססת על רשתות נירונים ללמוד להבחין בין סוס לפרה (בזוויות שונות).
רשתות נירונים מתקדמות ("קונבולוציוניות"), המבוססות על שכבות רבות של נירונים שמחזקות זו את זו ומספקות זו לזו "גיבוי", במקרה של תמונה בזווית "קשה" במיוחד, יכולות לזהות פנים של אדם מסוים, בתמונות שונות, בזוויות שונות ובהקשרים שונים. תהליך הלימוד שמאפשר להן לעשות זאת כרוך במה שמדעני המחשב מכנים אופטימיזציה שמתבצעת על רשתות הנירונים ה"קונבולוציוניות", שכבה אחר שכבה. ככל שהרשת כוללת שכבות רבות יותר, ועמוקות יותר, היא מסוגלת להתמודד עם בעיות מופשטות יותר. סוג אחר של רשתות עצביות מבוסס על יכולת לשנות את עיבוד המידע על-פי משוב - או מידע חדש - שמתקבל מהסביבה תוך כדי תהליך החישוב. למידה כזאת כבר מזכירה ממש את דרך הלמידה האנושית. רשתות כאלה יכולות לחזות את המילה הבאה בדבריו של אדם, ועוד.