2015年，纽约西奈山医院的研究团队获得灵感，将深度学习应用到医院中庞大的病例数据库中。这个数据集中有攸关病人的数百个变量，包括测试结果以及医生诊断等。由此产生的程序被研究人员命名为Deep Patient，它被利用70多万名病人的数据训练。但测试新的病例时，它展现出令人不可思议的能力——非常擅长预测疾玻无需专家指导，Deep Patient可以在医院数据中找出隐藏模式，并通过病人的各种症状确认疾病，包括肝癌。西奈山医院团队的项目领导者约珥·杜德利（Joel Dudley）说：“利用病例数据，许多方法都能预测出疾病，但我们的方法更好用。”
与此同时，Deep Patient也让人觉得有点儿困惑，它对于诊断精神疾病（比如精神分裂症）非常准确。但是众所周知，即使是医生也很难诊断精神分裂症，为此杜德利想知道为何Deep Patient具备这样的能力，但他未能找到答案，这种新工具未提供任何线索。如果像Deep Patient这样的工具真能帮助医生，在理想情况下，它应该可以提供预测推理，以确保其结论的准确性。但杜德利说：“虽然我们可以建立模型，可是我们真的不知道它们是如何做出决定的。”
AI并非总是如此。从一开始，就有两个学派就如何理解或解释AI产生分歧。许多人认为，根据规则和逻辑开发的机器最有意义，因为它们的内部运作是透明的，任何人都可以检查它们的代码。其他人则认为，如果机器能够从生物学中获得灵感，并通过观察和体验学习，更有可能出现智能。这意味着，计算机具备了编程能力。它们不再需要程序要输入指令以解决问题，程序本身就可以基于示例数据和期望输出产生算法。根据后一种模式，这种机器学习技术后来进化为今天最强大的AI系统，机器本身就是程序。
最初，这种方法在实际使用中十分有限，20世纪60年代到70年代，它在很大程度上依然被限于“场地边缘”。随后，许多行业的计算机化和大数据集出现重新引发人们的兴趣。这鼓励更强大的机器学习技术诞生，特别是最新被称为人工神经网络的技术。到20世纪90年代，神经网络已经可以自动数字化手写内容。
但是直到2010年初，经过几次巧妙的调整和改进，更加庞大或更有深度的神经网络才在自动知觉方面有了巨大进步。深度学习是促使当今AI呈现爆发式增长的主要驱动力，它赋予计算机非凡的能力，比如像人那样识别口语的能力，代替手动向机器输入复杂代码的能力等。深度学习已经改变了计算机视觉，并大幅改进机器翻译。现在，它正被用于指导医疗、金融以及制造业等领域的各种关键决策。
与手动编码系统相比，任何机器学习技术的运作本质上都是不透明的，即使对于计算机科学家来说也是如此。这并非是说将来所有AI技术同样不可预知，但就其本质而言，深度学习是特别黑的“黑箱”。你无法透视深度神经网络内部看其如何运行。网络推理实际上是数以千计的模拟神经元的共同行为，它们排列成数十甚至数百个错综复杂的互联层中。第一层的每个神经元都会接收输入，就像图片上的像素强度，然后进行运算，并输出新的信号。这些输出会进入更复杂的网络，即下一层的神经元中。这样一层层传递，直到最后产生整体输出结果。此外，还有被称为“反向传播”的过程，通过调整单个神经元的计算，让网络了解到需要产生的“期望输出”。
图：艺术家亚当·费里斯（Adam Ferriss）利用谷歌Deep Dream程序创造的图像
深度网络的多层结构让它能在不同的抽象层上识别事物，以被设计用于识别狗狗的系统为例，较低的层次可识别颜色或轮廓等简单的东西，更高的层次则可识别更复杂的东西，比如皮毛或眼睛等，最顶层则会确定其对象是狗。同样的方法也可被应用到其他输入方面，这些输入可让机器自学，包括演讲中所用词汇的发音、文本中形成句子的字母和单词或驾驶所需的方向盘动作等。
为了捕捉和更详细地解释这些系统中到底发生了什么，研究人员使用了许多巧妙策略。2015年，谷歌研究人员修改了基于深度学习开发的图片识别算法，它不需要在图片中发现目标，而是生成目标或修改它们。通过有效地反向运行该算法，他们发现这种算法可被用于识别鸟或建筑物。