1976年，凯尼斯·阿佩尔和沃夫冈·哈肯等人利用人工和计算机混合的方式证明了一个著名的数学猜想：四色定理——“任意一张区域划分的地图，仅用四种颜色就可以染色该地图，使任意两个相邻的国家不会撞色；这个定理之前被经验肯定，但人们不知如何从公理上证明。两位研究者把这个定理化作几千种不同的特例，然后用计算机的穷举能力，一个一个证明了。但这种借助计算机蛮力的办法，至今被许多数学家认为不算是真正的证明。
机器学习也突飞猛进；达特茅斯会议上，阿瑟·萨缪尔公开了一个跳棋程序，它具有自学习函数，可以不断总结经验提高水平。1959年，该跳棋程序打败了设计者萨缪尔本人，3年后，它已经可以击败美国一个州的跳棋冠军。
1956年，奥利弗·萨尔夫瑞德研制出首个字符识别程序，开辟了模式识别这一新的领域。1957年，纽厄尔和西蒙等开始研究一种不依赖于具体领域的“通用问题求解器”。1963年，詹姆斯·斯拉格发表了符号积分程序SAINT，输入一个函数的表达式，该程序就能自动输出这个函数的积分表达式。过了4年后，他们研制出了升级版SIN，已可表现出专家水准。
挫折后转向机器学习
一开始人工智能就显现出光明前景，学者们没有理由不乐观。1958年，纽厄尔和西蒙自信地说，不出10年，计算机将会成为世界象棋冠军，证明重要的数学定理，谱出优美的音乐。照这样的速度发展下去，2000年人工智能就能超过人类。
可事实没那么简单。1965年，机器定理证明遇到瓶颈：计算机推了数十万步也无法证明两个连续函数之和仍是连续函数。萨缪尔的跳棋程序也无法进一步战胜世界冠军。
1960年代计算机技术爆发时，大家估计人工智能不超过十年就能实现。但后来人工智能技术的发展之难，让很多科学家放弃了这个领域。后来学界也将人工智能分为两种：难以实现的强人工智能和可以尝试的弱人工智能。
强人工智能是科幻电影里常见的那种，可以认为它就是人，可执行“通用任务”。弱人工智能则处理单一问题。我们迄今仍处于弱人工智能时代。
1970年代，爱德华·费根鲍姆的思路被学界接受：人工智能不光要研究解法，还得引入知识。专家系统就诞生了。它利用数字化的知识去推理，以模仿领域专家解决问题。第一个成功的专家系统DENDRAL1968年问世，可根据质谱仪的数据推知分子结构。
在1977年世界人工智能大会提出的“知识工程”的启发下，日本的第五代计算机计划、英国的阿尔维计划、欧洲的尤里卡计划和美国的星计划相机出台，人工智能都是这些计划的重要组成部分。
于是，在1980年代，机器学习成为了人工智能的焦点。而且学者也提出了让机器不靠人类灌输知识，而是模拟小孩子自己去学的方法。其中，有学者模拟大脑结构（神经网络）实现，也有学者模拟与环境互动的简单生物体。他们与传统的人工智能流派鼎足而立。
但是，直到1990年代，人工智能的研究仍未走出低潮，日本在机器人领域大量投资，但当时效益不明显。
IBM“三兄弟”唱主角
1988年，人工智能系统深思闯入国际象棋界。它是IBM研发的，每秒考虑70万步棋。1991年，深思II战平了澳大利亚国际象棋冠军。
1996年，深思的升级版深蓝挑战人类国际象棋世界冠军，如日中天的加里·卡斯帕罗夫，2∶4落败。一年后的5月11日，深蓝以3.5∶2.5的成绩战胜了卡斯帕罗夫。这两次比赛都引发了全球关注，最终让人工智能重新赢得世界的注意力。
2011年2月，在美国一个著名的电视问答节目《危险》中，IBM公司的沃森（Watson）系统战胜了人类选手，成为深蓝后另一个里程碑。这个节目是各种知识的问答，主持人给出一些线索，选手则要猜出主持人所讲的东西。自然语言理解对机器是很难的，因为涉及到语言的隐含意思，各种比喻和歧义。沃森能够搞明白人类的语言是一大进步。
IBM巨额投入在各种表演性质的人工智能上，树立了AI领袖的形象，也拉升了自己的股票。目前，沃森和同类系统已经被用在帮助律师处理案卷，或者帮助医生根据病例做初步诊断上。