然而，新技术的突然兴起是人工智能研究的一大特征，近期一份基于16625篇论文的分析报告指出，深度学习主导人工智能领域的趋势正在发生改变。
《麻省理工科技评论》最近在全球最大的科学论文开源数据库之一arXiv上收集了16625篇人工智能领域的论文。这些论文的发表时间跨度为25年，最早可追溯到1993年，最晚截止至2018年11月18日。根据论文的摘要和关键词，《麻省理工科技评论》分析了不同人工智能方法的发展趋势并指出：“深度学习的时代即将结束”。
《麻省理工科技评论》的报现，在20世纪90年代末至21世纪初的这段时间里，人工智能学者的目光渐渐转向了机器学习。
1988年，IBM研究人员发布了一种语言翻译统计方法，将概率原理引入到当时规则驱动的人工智能领域，尝试解决法语和英语之间自动翻译的挑战。这种方法被视为是今用的机器学习的基础。
上述报现，在20世纪90年代末至21世纪初的人工智能论文中，“逻辑”、“规则”等与知识系统相关的词，数量开始下降，而“数据”、“网络”、“性能”等与机器学习相关的词汇出现的次数快速增长。
《麻省理工科技评论》在报告中给出了这种变化的原因。知识系统需要人为编写规则才能使系统运行，需要极大的人力成本且效率低下，而不要求手动编码的机器学习正好成为“完美替代”。在机器学习中，编程机器会自动从一堆数据中提取规则。
在20世纪90年代至21世纪初，神经网络、贝叶斯网络、进化算法、支持向量机等机器学习的各种方法之间存在着稳定的竞争。但报现，2012年的一次突破改变了这一状况，深度学习大大超越了其他方法，一举成为最受重视的机器学习领域。
在2012年一次全球范围的图像识别算法竞赛ILSVRC(也称为 Image Net挑战赛)中，大学教授、“深度学习之父”杰弗里·辛顿（Geoffrey Hinton）和同事们开发的一个多层神经网络 Alex Net取得了冠军。该多层神经网络以超过10个百分点的惊人幅度实现了图像识别的最佳准确度，大幅度超越了使用传统机器学习算法的第二名。
这次比赛的在人工智能学界引起了广泛的震动。从此，以多层神经网络为基础的深度学习被推广到多个应用领域，在语音识别、图像分析、视频理解等诸多领域取得成功。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
与此同时，一种监督学习下的深度学习模型——卷积神经网络也得到了快速的发展。《麻省理工科技评论》的报现了这个增长趋势。数据显示，神经网络相关论文在人工智能论文中所占的比例从2012年的3%一上升至2018年的27%。
21世纪10年代起，arXiv网站上神经网络相关论文显著增加（底部红色区域代表神经网络在人工智能论文中所占的比例，2018年的数据为27%）
强化学习是人工智能的重要分支。在2016年击败围棋世界冠军李世石九段的阿尔法狗，其令的博弈能力就是通过强化学习训练出来的。
强化学习的目标是要获得一个策略（policy）去指导行动。例如，在阿尔法狗和李世石的围棋博弈中，这个策略可以根据盘面形势指导阿尔法狗每一步应该在哪里落子。
强化学习会从一个初始的策略开始。通常，初始策略不一定很理想。在学习过程中，决策主体通过行动和进行交互，不断获得反馈（回报或者惩罚），并根据反馈调整优化策略。
《麻省理工科技评论》发现，最近几年中，提及强化学习的论文数量大幅上升，强化学习论文在人工智能论文中的占比从2015年的4.7%上升为2018年的15.3%。
对于这种上升趋势，大学计算机科学教授佩德罗·多明戈斯（Pedro Domingos）表示，强化学习并不是新鲜的理论，但在之前几十年中，它没有发挥出真正的作用。阿尔法狗在围棋比赛中击败世界冠军的里程碑事件，无疑为强化学习的发展带来了深刻影响。
根据上述报告，多明戈斯分析称，在人工智能领域，基本上每十年都会看到不同技术的：80年代的知识型系统、90年代的贝叶斯网络、00年代的矢量机器以及10年代的神经网络。恐怖分子处决美女