U 1977. godini, Andrew Barto, istraživač na Univerzitetu u Massachusettsu, Amherst, započeo je istraživanje nove teorije koja sugeriše da neuroni funkcionišu kao hedonisti. Osnovna pretpostavka bila je da ljudski mozak deluje kroz milijarde nervnih ćelija, od kojih svaka nastoji da maksimizira zadovoljstvo i minimizira bol. Sledeće godine, pridružio mu se drugi mladi istraživač, Richard Sutton. Zajedno su nastojali da razjasne ljudsku inteligenciju kroz ovaj jednostavan koncept i primenili su ga na veštačku inteligenciju. Ova saradnja dovela je do razvoja "učenja pojačanjem, " metode koja omogućava AI sistemima da uče iz svojih digitalnih suprotstavljenih strana zadovoljstva i bola. U sredu, Asocijacija za računarske mašine, najveća profesionalna društva za računarske stručnjake na svetu, objavila je da su dr. Barto i dr. Sutton dobili Turingovu nagradu za ovu godinu za svoj doprinos učenju pojačanjem. Uspostavljena 1966.

godine, Turingova nagrada se često smatra Nobelovom nagradom za računarske nauke. Dva istraživača podeliće nagradu u iznosu od 1 milion dolara povezanom sa ovim priznanjem. Tokom poslednje decenije, učenje pojačanjem bilo je ključno za napredak veštačke inteligencije, pokrećući značajne tehnologije poput Googleovog AlphaGo-a i OpenAI-ovog ChatGPT-a. Temeljne tehnike iza ovih inovacija proizašle su iz istraživanja dr. Barta i dr. Suttona. "Oni su neospornim pionirima učenja pojačanjem, " rekao je Oren Etzioni, emeritus profesor računarstva na Univerzitetu u Washingtonu i osnivač izvršni direktor Allen Institute for Artificial Intelligence. "Oni su generisali suštinske ideje—i napisali su knjigu na ovu temu. " Njihova knjiga, "Učenje pojačanjem: Uvod, " objavljena 1998. godine, i dalje služi kao definitivni izvor o ideji za koju mnogi stručnjaci veruju da je još uvek u ranim fazama ostvarivanja svog punog potencijala.