與明斯基和派珀特的斷言相反的是，神經網絡研究人員多年來一直認為，神經網絡能夠展現出新的能力，並且解決羅森布拉特感知器的問題，但前提是在網絡輸入和輸出之間放置額外的「隱含」神經元層。不幸的是，沒人知道如何訓練這些多層神經網絡。著名物理學家約翰·霍普菲爾德（John Hopfield）為具體應當如何做提供了建議。
霍普菲爾德對當時人工智能的主流形式是什麼並不感興趣。他說：「我從未深入研究過人工智能領域到底發生了什麼。人工智能並不能解決現實世界裡的問題。我認為沒必要去瞭解它。」然而，多年以後，他一直苦苦追尋被他稱作「需要用一生的時間去研究的問題」。由於對人類大腦十分感興趣，他考慮的問題涵蓋範圍廣泛，從靈長類神經解剖學到昆蟲飛行的行為，再到大鼠海馬的學習乃至阿茲海默症的治療。有一段時間，霍普菲爾德對細胞自動機和自我複製的機器人的前景十分著迷。然而，幾個月的研究最終還是走進了一條死胡同。
霍普菲爾德說：「放棄一個錯誤的思想十分困難，畢竟我們已經研究一年了。」但是，在計算機內部創造一個生命模型的想法卻一直都在。他對一個想法十分著迷，即用神經網絡完成大腦能夠迅速且輕鬆完成但計算機卻不能完成的任務。霍普菲爾德最終選擇了聯想記憶，聯想記憶是指大腦如何以交互的方式工作，也就是看見一個人就能聯想起他的名字，或者聽到他的名字就能想起他的長相。聯想記憶背後的數學運算使霍普菲爾德想到「自旋系統」的數學運算，該運算描述的是固體磁性的複雜形式。他的腦海中突然產生了一個想法。霍普菲爾德回憶道：「神經生物學和我所瞭解的物理系統之間突然產生了一種聯繫。一個月之後，我已經開始寫論文了。」
1982年這篇論文發表後，一種全新的神經網絡產生了。霍普菲爾德網絡比羅森布拉特的感知器中的單層模擬神經元複雜得多。他的思想再次激發了人們對神經網絡的熱情，這也使他成為這一過程中出人意料的英雄。加州理工學院的一組追隨者開始以「霍普集會」（Hop-Fest）的名義召開會議。霍普菲爾德的發現吸引了一些世界上最偉大的理論物理學家參與到神經網絡的研究當中。該領域的研究人員多年來頭一次感覺到熱血沸騰。
然而，事情並沒有我們想像得那麼容易。正如我們在第一章中看到的，20世紀80年代早期是「專家系統」的天下，資金也是空前的充裕。儘管後來這些「專家系統」的發展將遭遇困境，但在當時卻是十分強大，人們根本不認為它們會失敗。世界領先的神經網絡專家特裡·謝伊諾斯基（Terry Sejnowski）當時正在普林斯頓大學讀霍普菲爾德的博士，他回憶道：「我們當時好像是生活在恐龍時代的只有毛皮的哺乳動物，在這些長著麟甲的巨獸的腳下混日子，他們有數百萬美元的機器和龐大的預算。那時，所有人都專注於計算邏輯，但是我們明白，他們忽視了推動人工智能向前發展所面臨的真正困難。」
幸運的是，神經網絡吸引了許多年輕且富有熱情的研究人員，其中就包括聖地亞哥加州大學的認知科學家戴維·魯梅爾哈特（David Rumelhart）和詹姆斯·麥克蘭德（James McClelland），他們成立了一個「並行分佈處理」小組，並產生了令人難以置信的影響力。
說到這裡就不得不提到另外一個人，他就是傑夫·辛頓（Geoff Hinton）。