经过漫长的“人工智能寒冬”——当人们开始严重怀疑人工智能能否达到接近人类智能水平的水平时——人工智能的商业价值开始显现，吸引了新的投资目光。
Digital Equipment Corporation 的创始人 Ken Olsen 是最早实现人工智能商用利益的商界领袖之一。
大企业的解决方案(1987)
企业家们远没有早期的人工智能专家那么雄心勃勃。他们的“系统”并没有试图创造一种通用的智能，而是专注于更具体的任务。这意味着只需根据解决特殊问题的规则进行编程。第一个成功的商用系统“RI”能够帮助配置新计算机系统的订单。 1986 年，它每年为公司节省40 美元。
论文“语言翻译的统计方法”将现实世界的语言问题从规则转变为可以学习的概率。
从规则到概率学习(1988)
IBM TJ Watson 研究中心的成员发表了“语言翻译的统计方法”，预示着机器翻译从基于规则的方法向概率方法的转变，并反映了基于对已知示例的统计分析向“机器学习”的泛化转变。
Rodney Brooks 成为麻省理工学院人工智能实验室的主任，这个职位曾经由 Marvin Minsky 担任。
回归自然以获得“自下而上”的灵感（1990 年）
专家系统无法破解模仿生物学的问题。随后人工智能科学家罗德尼·布鲁克斯（Rodney Brooks）发表了一篇新论文：大象不下棋（Elephants Don’t Play Chess）。布鲁克斯受到神经科学进展的启发，神经科学开始解释人类认知的奥秘。例如，视觉需要大脑中的不同“模块”协同工作以识别模式，而无需中央控制。布鲁克斯认为，用智能行为规则对计算机进行预编程的自上而下的方法是错误的。他帮助推动了自下而上的人工智能方法的复兴，包括长期以来不被看好的神经网络领域。
聊天机器人 ALICE
ALICE 聊天机器人学习如何通过网络说话(1995)
Richard Wallace 开发了人工语言聊天机器人 ALICE，其灵感来自 Joseph Weizenbaum 的 ELIZA 程序，由于网络的出现，增加了前所未有的自然语言样本数据收集。
深蓝——“像上帝一样思考”。
人与机器：20世纪的战斗（1997）
自上而下的人工智能的支持者仍拥有王牌：超级计算机“深蓝”，它在 1997 年与世界象棋冠军加里·卡斯帕罗夫 (Garry Kasparov) 对决。
从理论上看，IBM 制造的机器远远优于人类象棋手——每秒能够评估多达 2 亿个位置。但它可以战略性地思考吗？答案是肯定的。这台超级计算机赢得了这场被称为“大脑的最后一站”的比赛，其天赋让卡斯帕罗夫认为必须由人类来控制。一些人称赞这是人工智能成熟的时刻。但对于其他人来说，这只不过展示了具有明确规则的高度专业化问题上机器的蛮力。
时间很快到了21世纪初
