人類的與眾不同之處就在於能夠學習，這也一直是傳統人工智能一直努力要實現的。第一章中描述的系統只有在能夠遵從規則時進行學習，這些知識是從「知識工程師」的知識中提煉並編入系統架構的。它是對知識自上而下的一種想像，並暗示一個假設，即機器不能自動學習知識。相反，必須將知識進行編程，而且一次編一條。這一點在很多情況下都能夠很好地實現，進而在可接受的水平上完成有限的任務。隨著解決方案的增多，問題也開始顯現。像官僚機構一樣，它們開始變得龐大、笨拙、緩慢而且昂貴。
這提出了一個顯而易見的問題。華盛頓大學計算機科學教授普德羅·多明戈斯（Pedro Domingos）指出：「如果機器人掌握了人類除學習以外的所有能力，人類很快就會拋棄它。」但是從一開始就存在一種與人工智能的發展並行的觀點，這一觀點現在正觸發該領域的諸多進展。該人工智能學派不是將思維概念化，而是源於在電腦內部建立大腦模型。該學派不相信邏輯推理是獲取真理的最佳（可能是唯一的）途徑，而是採用基於觀察和實驗的實證研究法。這類人工智能並非知識工程師的作品，而是屬於名為「機器學習者」的計算機科學家領域。
這一流派的人工智能由統計學家、神經科學家和理論物理學家開創的概率模型主導，大部分基於所謂的「神經網絡」（或者計算術語中所說的「神經網」）來運行，該網絡的功能與人腦近似。信息在人腦中以神經元電子放電模式存在。人腦中約有1 000億個神經元，大約和銀河系中的星星一樣多。記憶是通過加強不同神經元共同放電而形成的：這一過程被稱作「長時程增強」。儘管我們尚須建立一個與人腦一樣複雜的神經網絡（下一章將詳細介紹），但人工神經網絡為創造記憶和學習借用了人腦的機制。人腦與神經網絡最基本的不同在於，人腦中的長時程增強是一個生物化學過程，而在神經網絡中，學習是通過修改其自身代碼，以在複雜或不明朗的情況下，找到輸入和輸出之間或者原因和結果之間的聯繫而發生的。
雖然神經網絡今天在人工智能領域具有重要地位，但在過去許多年裡，它都是被忽視的；它被視作真正人工智能的「異父兄弟」。正如20世紀80年代進入這一領域的知名研究人員戴維·艾克利（David Ackley）所說：「我們接觸到神經網絡時，人們並未將其視作人工智能。於是，我們被人工智能拒之門外。當時，人們認為人工智能是與符號相關的。它所涉及的是生產系統、專家系統等。進入卡內基–梅隆大學讀研究生時，我已經十分厭倦與傳統的符號化的計算機相關的事物……我似乎對推理的關注過多，而對判斷的關注太少。」
艾克利影響了一代人工智能研究者，他們幾乎使統計工具替代了主流意識中的傳統人工智能。這樣一來，神經網絡就實現了以前的研究人員做夢都想實現的東西：建造能夠學習如何玩電子遊戲、理解語言、識別相片中的人臉或開車比人類更安全的機器。
我們在本章中將介紹一些這樣的應用。但是在此之前，我們必須回到過去，去認識一個名叫聖地亞哥·拉蒙·卡哈爾（Santiago Ramony Cajal）的人。