آموزش ماشین‌ها به شیوه‌ای مشابه با چگونگی شکل‌دهی رفتار سگ‌ها یا اسب‌ها توسط مربیان حیوانات، رویکردی حیاتی در پیشرفت هوش مصنوعی بوده است. این روش روز چهارشنبه با جایزه معتبر A. M. Turing که اغلب به عنوان جایزه نوبل حوزه فناوری شناخته می‌شود، تجلیل شد. برندگان این سال جایزه، آندرو بارتو و ریچارد ساتن، به عنوان پیشگامان یادگیری تقویتی شناخته می‌شوند، زمینه‌ای که از زمان آغاز تحقیقات اولیه آنها در اواخر دهه 1970 پیشرفت‌های چشمگیری داشته است. کار بنیادین آنها موجب ایجاد پیشرفت‌های متعددی در هوش مصنوعی در دهه گذشته شده است و بر روی ایجاد ماشین‌های «هده‌نستی» تمرکز کرده است که قادرند رفتار خود را به واکنش مثبت بازخورد تغییر دهند. یادگیری تقویتی در پیروزی برنامه کامپیوتری گوگل بر رقبای انسانی برجسته در بازی تخته‌ای باستانی چینی «گو» در سال‌های 2016 و 2017 نقش اساسی داشت. همچنین در بهبود برنامه‌های کاربردی هوش مصنوعی مانند ChatGPT، بهینه‌سازی تجارت مالی و توانمندسازی یک دست رباتیک برای حل مکعب روبیک نقش حیاتی ایفا می‌کند. با این حال، بارتو اشاره کرد که زمانی که او و ساتن، دانشجوی دکتری‌اش، شروع به توسعه نظریه‌ها و الگوریتم‌های خود در دانشگاه ماساچوست، آمهرست کردند، این حوزه عمدتاً «غیرمد روز» بود. بارتو در مصاحبه‌ای با آسوشیتدپرس اظهار داشت: «ما تا حدی در بیابان بودیم. این موضوع دریافت این جایزه را به‌ویژه رضایت‌بخش می‌کند، زیرا اهمیت و جذابیت کار ما را که در روزهای اولیه مورد توجه قرار نگرفته بود، برجسته می‌کند. » جایزه سالانه یک میلیون دلاری که توسط انجمن ماشین‌آلات محاسباتی اعلام شده است، به‌وسیله گوگل تأمین مالی می‌شود. اگرچه بارتو که اکنون از دانشگاه ماساچوست بازنشسته شده و ساتن که استاد با سابقه‌ای در دانشگاه آلبرتا در کانادا است، اولین نوآوران هوش مصنوعی نیستند که جایزه‌ای به نام ریاضیدان بریتانیایی، رمزگشای کد و پیشگام اولیه هوش مصنوعی، آلن تورینگ را دریافت می‌کنند، تحقیقات آنها به طور مستقیم به درخواست تورینگ در سال 1947 برای ماشینی که «از تجربه یاد بگیرد» پرداخته است.

ساتن این را به عنوان «قطعا مفهوم بنیادی یادگیری تقویتی» توصیف می‌کند. کار آنها شامل بینش‌هایی از روانشناسی و علوم اعصاب در مورد نحوه واکنش نورون‌های جستجوگر لذت به پاداش‌ها و مجازات‌ها بود. مقاله‌ای که در اوایل دهه 1980 منتشر شد، رویکرد جدید آنها را از طریق یک وظیفه خاص: متعادل‌سازی یک میله بر روی یک چرخ متحرک برای جلوگیری از سقوط آن به نمایش گذاشت. آنها بعداً کتاب درسی درباره یادگیری تقویتی نوشتند که به طور وسیعی مورد استفاده قرار می‌گیرد. جف دین، دانشمند ارشد گوگل، در یک بیانیه کتبی گفت: «ابزارهایی که آنها توسعه دادند، زیربنای رونق کنونی هوش مصنوعی هستند و منجر به پیشرفت‌های قابل توجهی شده‌اند و محققان جوان بی‌شماری را جذب کرده‌اند و میلیاردها دلار سرمایه‌گذاری تولید کرده‌اند. » در مصاحبه مشترکی با آسوشیتدپرس، بارتو و ساتن گاهی در ارزیابی خطرات عامل‌های هوش مصنوعی که به دنبال خودبهبودی هستند، نظرات متفاوتی داشتند. آن‌ها به وضوح تفاوتی بین کار خود و حوزه پرطرفدار هوش مصنوعی مولد، مانند مدل‌های زبانی بزرگ مورد استفاده در چت‌بات‌ها که توسط OpenAI، گوگل و دیگران ایجاد شده‌اند و نوشتار و رسانه‌ای شبیه به انسان را تولید می‌کنند، قائل شدند. ساتن توضیح داد: «تصمیم‌گیری اصلی این است که آیا باید از داده‌های انسانی یاد بگیریم یا اجازه دهیم یک عامل هوش مصنوعی از تجربیات خود یاد بگیرد. » در حالی که ساتن آنچه را که به عنوان ترس‌های اغراق‌آمیز در مورد تهدیدات احتمالی هوش مصنوعی به بشریت می‌بیند، کم‌اهمیت می‌داند، بارتو احتیاط می‌کند و می‌گوید: «ما باید از عواقب غیرمنتظره ممکن آگاه باشیم. » بارتو که 14 سال است بازنشسته شده، خود را لودیتی می‌داند، در حالی که ساتن انتظار دارد آینده‌ای وجود داشته باشد که موجوداتی با هوش بالاتر از انسان‌ها وجود داشته باشند—مفهومی که به عنوان پسابشریت شناخته می‌شود. ساتن مشاهده کرد: «انسان‌ها ماشین هستند، ماشین‌های شگفت‌انگیز و فوق‌العاده، اما آنها محصول نهایی نیستند و می‌توانند بهتر عمل کنند. » ساتن نتیجه‌گیری کرد: «این ذاتاً بخشی از تلاش‌های هوش مصنوعی است. ما به دنبال درک خود و توسعه سیستمی هستیم که حتی مؤثرتر عمل کند. شاید حتی به موجوداتی مانند آنها تبدیل شویم. »