机器学习的一种流行方法是使用“ 神经网络 ”，其中许多小型人工神经元在复杂网络中连接。每个神经元从其邻居获取输入，并根据与这些输入相关联的某些数字权重生成输出。然后输出将反过来影响神经元的邻居。通过调整权重，可以使系统学习输入和输出之间的关联。尽管神经网络受到大脑微观结构的启发，但重要的是要了解神经网络研究人员并不是在尝试建立人工大脑。
尽管自人工智能开始以来已对神经网络进行了研究，但在20世纪60年代，当Marvin Minsky和Seymour Papert证明对简单神经网络可以做的事情存在严重限制时，对这种方法的早期研究已经戛然而止。该领域一直处于休眠状态，直到20世纪80年代开始复兴，这一观点得益于观察到更富有的模型，称为“并行分布式处理”，可以克服这些问题。本世纪取得了迅速进展。
神经网络（通常是机器学习）的一个关键问题是它们所体现的智能通常是不透明的。例如，经过训练以识别X射线图像上的癌性生长的神经网络无法解释其决定。系统具有的专业知识隐藏在与神经元相关的数字权重中，并且没有简单的方法来提取这些权重隐含携带的知识。