他和其他研究者们已经开始探寻一种叫做迁移学习（transfer learning）的新技术了。这种技术能让强化学习系统把基础建立在已习得的知识上，而不用每一次都从头开始训练。Hassabis 先生解释道，人类可以毫不费力地做到这一点。Giannandrea先生回忆起他四岁的女儿已经能辨别出penny-farthing（一种前轮大后轮小的脚踏车）就是一种自行车，即使她之前从没见过这样的东西。“但计算机无法做到。”他说。
一家最近被Salesforce收购的初创公司MetaMind 也在研发一种相关的技术——多任务学习（multitask learning），这种系统用同样的神经网络架构解决多种不同的问题，在一件事情上获得的经验能用来更好地解决其它事情。跟DeepMind类似，它也在探寻模块化的架构；其中一个被称为“动态记忆网络（dynamic memory network）”的系统能消化一系列陈述，然后回答相关问题，并且推断出其中的逻辑联系（Kermit 是一只青蛙；青蛙是绿色的；所以 Kermit 是绿色的）。MetaMind还把自然语言网络和图像识别网络融合到一个系统中，它可以回答有关图像的问题（“这里面的汽车是什么颜色的？”）。这种技术可以用到智能客服聊天机器人中，或者用于 Salesforce 的客户呼叫中心。
过去，很多有前景的人工智能技术发展都会逐渐疲软。但深度学习却不同。“这东西真的能起作用。”MetaMind的Richard Socher说。人们每天都会用到它，虽然他们并未意识到。Hassabis、Socher和其他人的长远目标是开发出“通用人工智能（AGI)”—一种能完成各种各样任务的系统，有了它就不必再为每个特定问题都专门开发出一个系统了。人工智能多年来的研究方向都集中在解决专业化的特定问题上，Socher先生说，但现在研究人员们「正努力用更先进的乐高积木块拼出不一样的东西」。即使他们中最乐观的人也认为还需至少十年才能做出人类智力水平的AGI。但Hassabis说，“我们认为我们已经知道实现接近AGI的系统所需的几十种关键元素了”。
同时人工智能已经在发挥作用了，而且很快会更有用。例如谷歌的智能回复系统，它通过两个神经网络推荐邮件回复，从研究项目到产品上线只用了四个月（虽然刚开始它因为对每条信息建议回复的有「我爱你」而令人失望）。“在科研期刊上发表文章刚一个月，就有某个公司正确使用你的系统了。”Socher说。人工智能公司，不论规模大小都能都能定期发表学术文章；人工智能研究者即使在转行进入公司后也能继续在同行评议期刊上发表研究成果。很多人都是边为公司工作边发表科研文章。“如果你不允许他们发表，他们就不会为你工作了。”Andreessen Horowitz的Chris Dixon解释说。
谷歌，Facebook，微软，IBM，亚马逊，百度以及其他公司都开源了某些深度学习软件。部分原因是这些公司中的研究人员想要发表自己的成果，因为这有利于公司招募更多人才。从更现实的角度来看，这也是因为大型互联网公司不在乎把自己的人工智能软件公之于众，因为他们真正的优势在于能获取大量用于训练的用户数据。一家投资基金公司 Bloomberg Beta的ShivonZilis说，这使得他们能在某些方面占尽优势，但初创公司也在寻求打入市场的独特途径。比如无人机初创公司能在人群密集的地方通过模拟数据进行飞行训练。而且很多训练数据都能从网上找到，孵化器公司Y Combinator的董事长Sam Altman说道。他注意到人类可以用有限的数据进行学习，“这意味着大量训练数据并不是实现智能的必要条件”。像Numenta和 Geometric Intelligence这样的初创公司正在探索低数据依赖性的新智能系统。
在这股人工智能淘金热中，公司们排着队为参与者提供铁锹。出现最为频繁的名字是英伟达，Dixon先生说；似乎每一家人工智能创业公司都在使用它的GPU芯片来训练神经网络。GPU 能力也可从亚马逊和微软的云中租用。与此同时，IBM和谷歌则正为更快更高效地运行人工智能软件而设计专门的新芯片。谷歌、微软和IBM也正使其语音识别、句子解析和图像分析等人工智能服务免费在线提供，让创业公司可以结合这些开发模块来构建新的人工智能产品和服务。IBM的Guru Banavar说：来自多个行业的300多家公司已经使用IBM的Watson平台开发出了人工智能驱动的应用，其中包括筛选应聘者和挑选葡萄酒。