但人們很快就發現了基於人類知識庫和邏輯學規則構建人工智能係統的局限。一個解決特定的、狹小領域問題的專家係統很難被擴展到稍微寬廣一些的知識領域中，更別提擴展到基於世界知識的日常生活裏了。一個著名的例子是早期人們用語法規則與詞彙對照表來實現機器翻譯時的窘境。1957年蘇聯發射世界上第一顆人造衛星後，美國政府和軍方急於使用機器翻譯係統了解蘇聯的科技動態。但用語法規則和詞彙對照表實現的俄語到英語的機器翻譯係統笑話百出，曾把“心有餘而力不足”（the spirit is willing but the flesh is weak）翻譯為“伏特加不錯而肉都爛掉了”（the vodka is good but the meat is rotten），完全無法處理自然語言中的歧義和豐富多樣的表達方式。在後起的統計模型、深度學習等技術麵前，專家係統毫無優勢可言，因而從20世紀90年代開始就備受冷落。科研機構甚至不得不解雇過時的語言學家，以跟上技術發展的腳步。
另一方麵，從心理學和生物學出發，科學家們試圖弄清楚人的大腦到底是怎麼工作的，並希望按照大腦的工作原理構建計算機程序，實現“真正”的人工智能。這條道路上同樣布滿荊棘。最跌宕起伏的例子，非神經網絡莫屬。
生物學家和心理學家很早就開始研究人類大腦的工作方式，其中最重要的一環，就是大腦神經元對信息（刺激）的處理和傳播過程。早在通用電子計算機出現之前，科學家們就已經提出了有關神經元處理信息的假想模型，即人類大腦中的數量龐大的神經元共同組成一個相互協作的網絡結構，信息（刺激）通過若幹層神經元的增強、衰減或屏蔽處理後，作為係統的輸出信號，控製人體對環境刺激的反應（動作）。20世紀50年代，早期人工智能研究者將神經網絡用於模式識別，用計算機算法模擬神經元對輸入信號的處理過程，並根據信號經過多層神經元後得到的輸出結果對算法參數進行修正。
早期神經網絡技術沒有發展太久就陷入低穀。這主要有兩個原因：一是當時的人工神經網絡算法在處理某些特定問題時有先天局限，亟待理論突破；二是當時的計算機運算能力無法滿足人工神經網絡的需要。20世紀70年代到80年代，人工神經網絡的理論難題得到解決。20世紀90年代開始，隨著計算機運算能力的飛速發展，神經網絡在人工智能領域重新變成研究熱點。但直到2010年前後，支持深度神經網絡的計算機集群才開始得到廣泛應用，供深度學習係統訓練使用的大規模數據集也越來越多。神經網絡這一仿生學概念在人工智能的新一輪複興中，真正扮演了至關重要的核心角色。
客觀地說，神經網絡到底在多大程度上精確反映了人類大腦的工作方式，這仍然存在爭議。在仿生學的道路上，最本質的問題是，人類至今對大腦如何實現學習、記憶、歸納、推理等思維過程的機理還缺乏認識，況且，我們並不知道，到底要在哪一個層麵（大腦各功能區相互作用的層麵？細胞之間交換化學物質和電信號的層麵？還是分子和原子運動的層麵？）真實模擬人腦的運作，才能製造出可以匹敵人類智慧的智能機器。