然而，他预想中的机器人时代并未到来，斯坦福大学虽然作出了一些基于“if then”逻辑的“推理引擎”并将各行各业的专家知识打包成包含600项思维规则的“指导手册”，然而这种需要人类去“input－out”的方式并不能让机器自己去认识世界，分析归纳，这并不是他们想要的思维机器（thinking machine）。
20世纪80年代，是“头脑中的自行车”的黄金年代，却也是相关公司接连倒闭的“人工智能的冬天”。
而IA阵营则成了人机交互的先驱，恩格尔巴特不只是大名鼎鼎的“鼠标之父”，更是图形化用户界面、超文本系统的先驱，从窗口、鼠标到自动助手、计算机，再到“对话式交互”，IA阵营基本上仍在恩格尔巴特最初规划的理论框架内发展。在他们的努力下，从庞然巨物到桌上电脑再到口袋玩物，从打孔纸到键盘鼠标、触摸屏再到语音助理、Magic Leap，机器成为一种愈来愈易用的人脑之延伸。
1987年预言了后来的iPad、 Siri的苹果Knowledge Navigator宣传视频中就虚构了一个系着领结的虚拟助手，然而14年后的Siri则不再有个人化身。实际上，在虚拟助手设计方面，化身一直都饱受争议。IA阵营的开发者们一直对“是否应该把这一系统变成聊天机器人”举棋不定。他们认为，没有人会坐下来和一个虚拟机器人聊上一整天，他们要做的，是设计一个系统来帮助人们管理自己忙碌的日常生活。呆萌的Siri“可调戏性”很差，而Google Now虽然已经智能到可以通过你的停留时间自动判断家庭与工作地，“非人化”则避免了给人以毛骨悚然、细思极恐的感觉。同样的微软的大眼睛曲别针Office助手也因为太过“活泼”令人分神而被“下岗”。
实际上，这是IA与AI之间那条无形的线在其作用。
而随着全球互联网与海量大数据的出现，给了人工智能领域的另一支流——深度神经网络研究以大展拳脚的空间，机器的深度学习也成为可能，也让人工智能在两次冬天之后再次迎来爆发。《纽约时报》曾以《需要多少计算机才能正确的识别猫？16000台》为标题报道吴恩达领导的Google Brain是如何训练机器认识猫的，这需要Youtube上数以百万级的视频资料。语音识别、机器视觉、物体识别、人脸检测、翻译会话等领域的创业公司开始遍地开花。数十亿计移动传感器和计算系统——智能手机在源源不断地喂养、调教着一颗超级大脑，仿佛一张高速运转地神经网络。
AlphaGo所使用的神经网络结构示意图
而AlphaGo的挑战成功，是神经网络威力的最好证明，正如Google在博客中披露的：“传统的人工智能方法——构建搜索树来穷尽所有可能的位置——不可能挑战人脑。我们选择将围棋“分解”，用改进的搜索树算法结合深度神经网络开发出AlphaGo这一程序，通过将棋盘分解成包含数百万类似神经元的网络联接，划分为12个不同的网络层，其中的‘策略网络’（policy network）去选择落子，而‘价值网络’（value network）则负责预测对弈的胜者（计算局面）。我们让围棋高手训练AlphaGo程序走了3000万步，它预测对手下步棋的准确率达到了57%（之前的记录是44%）。为了击败而不只是模仿最好的棋手，AlphaGo还能够通过增强学习（reinforcement learning）在神经元之间对弈，调整网络连接，从而开发出新的策略。”
在人工智能阵营中，还有一帮人坚持着自底向上的路线：要想实现模拟生物智能的目标，就应该从制作人工昆虫这种最低层次的设备起步，模拟最简单的生物系统，而不是试图匹敌人类的能力，这就是仿生机器人（动物）。Boston Dynamic等公司所开发的机器猫、狗、豹等已经实现了“头脑简单，四肢发达”。协调性、适应性不亚于甚至超过了人类。
人工智能的Brain与Body都在快速成长，难怪微博中关于Boston Dynamic机器人最普遍的看法是：满脑子是以后人类被机器人毁灭的画面。