Aastal 1977 alustas Andrew Barto, Massachusettsi ülikooli uurija, uue teooria uurimist, mis pakkus välja, et neuronid toimivad kui hedonistid. Aluseks oli eeldus, et inimaju töötab miljardite närvirakkude kaudu, millest igaühel on eesmärk maksimeerida naudingut ja minimaalselt valu kannatada. Järgmisel aastal liitus temaga teine noor teadlane Richard Sutton. Koos otsisid nad, kuidas selgitada inimintelligentsust selle lihtsa kontseptsiooni kaudu ja rakendada seda tehisintellektile. See koostöö viis "tugivõimenduse õppimise" väljatöötamiseni, meetodi, mis võimaldab tehisintellekti süsteemidel õppida oma digitaalsete naudingute ja valu näidete põhjal. Kolmapäeval teatas arvutitehnika assotsatsioon, globaalne arvutiekspertide suurim kutseühing, et dr Barto ja dr Sutton on saanud sel aastal Turingi auhinna oma panuse eest tugivõimenduse õppimisse. Alates 1966.

aastast on Turingi auhinda sageli peetud arvutitehnika Nobeli auhinnaks. Kaks teadlast jagavad 1 miljoni dollari suurust auhinda, mis on sellega seotud. Viimase kümne aasta jooksul on tugivõimenduse õppimine olnud tehisintellekti edendamisel hädavajalik, toites murrangulisi tehnoloogiaid nagu Google’i AlphaGo ja OpenAI ChatGPT. Nende uuenduste aluspõhimõtted tulenevad dr Barto ja dr Suttoni teadusuuringutest. „Nad on tugivõimenduse õppimise vaieldamatud pioneerid, “ märkis Oren Etzioni, Washingtoni ülikooli arvutiteaduse emeriitprofessor ja Allen Institute for Artificial Intelligence asutaja. „Nad genereerisid olulised ideed – ja just nemad kirjutasid selle teema kohta raamatu. “ Nende raamat „Tugivõimenduse õppimine: sissejuhatus“, mille avaldasid 1998. aastal, teenib jätkuvalt autoriteetse allikana ideed, mille paljud eksperdid usuvad, et on endiselt oma täieliku potentsiaaliga realiseerimise algstaadiumis.