例如，他们证明任何可打算的函数都可以通过一些神经元相互连接的网络来打算，以及所有的逻辑联结词（AND、OR、NOT等）都可以通过大略的网络构造来实现。
麦卡洛克和皮茨还表明适当定义的网络可以学习。
唐纳德·赫布示范了用于修正神经元之间连接强度的大略更新规则。
他的规则，现在称为赫布型学习（Hebbian learning），至今仍是一种有影响力的模式。

哈佛大学的两名本科生马文·明斯基和迪安·埃德蒙兹在1950年建造了第一台神经网络打算机——SNARC。
SNARC利用了3000个真空管和B-24轰炸机上一个多余的自动驾驶装置来仿照由40个神经元组成的网络。
后来，明斯基在普林斯顿大学研究了神经网络中的通用打算。
他的博士学位委员会对这类事情是否该当被视为数学持疑惑态度，但听说冯·诺伊曼评价：“如果现在还不能被视为数学，总有一天会的。
”

还有许多早期事情可以被描述为人工智能，包括1952年由曼彻斯特大学的克里斯托弗·斯特雷奇和IBM公司的亚瑟·塞缪尔分别独立开拓的泰西跳棋程序。
然而，还是图灵的不雅观点最有影响力。
早在1947年，他就在伦敦数学协会就这一主题揭橥了演讲，并在其1950年的文章“Computing Machinery and Intelligence”中阐明了有说服力的议程。
在论文中，他先容了图灵测试、机器学习、遗传算法和强化学习。
回答了许多针对人工智能的质疑。
他还认为，通过开拓学习算法然后教会机器，而不是手工编写智能程序，将更随意马虎创造出人类水平的人工智能。
他在随后的演讲中警告说，实现这一目标对人类来说可能不是最好的事情。

1955年，达特茅斯学院的约翰·麦卡锡说服明斯基、克劳德·喷鼻香农和纳撒尼尔·罗切斯特帮助他调集对自动机理论、神经网络和智能研究感兴趣的美国研究职员。
他们于1956年夏天在达特茅斯组织了为期两个月的研讨会。
会议的提案指出：“1956年夏天，我们发起在新罕布什尔州汉诺威的达特茅斯学院进行为期两个月共10人参与的人工智能研讨。
这次研讨是基于这样的假设：理论上可以精确描述学习的每个方面或智能的任何特色，从而可以制造机器来对其进行仿照。
我们将试图探求让机器利用措辞，形成抽象和观点，办理人类特有的各种问题并改进自身的方法。
我们认为，如果一个精心挑选的科学家团队在一全体夏天里共同研究这些问题，则可以在一个或多个方面取得重大进展。
”

只管有这种乐不雅观的预测，但达特茅斯的研讨会并没有带来任何打破。
纽厄尔和西蒙提出了大概是最成熟的事情——一个称为“逻辑理论家”（Logic Theorist，LT）的数学定理证明系统。
西蒙声称：“我们已经发明了一种能够进行非数值思维的打算机程序，从而办理了神圣的身-心问题。
”研讨会结束后不久，这个程序就已经能证明罗素和怀特海的Principia Mathematica第2章中的大多数定理。
据宣布，当罗素被奉告LT提出了一个比Principia Mathematica书中更风雅的证明时，罗素感到很高兴。
但《符号逻辑杂志》的编辑们没被打动，他们谢绝了由纽厄尔、西蒙和LT合著的论文。

纽厄尔和西蒙继LT成功之后又推出了通用问题求解器，即GPS。
与LT不同，GPS从一开始就被设计为模拟人类求解问题的协议。
结果表明，在它可以处理的有限类型的难题中，该程序考虑的子目标和可能采纳的行为的顺序与人类处理相同问题的顺序类似。
因此，GPS可能是第一个体现“人类思维”办法的程序。
作为认知模型，GPS和后续程序的成功使得纽厄尔和西蒙（1976）提出了著名的物理符号系统（physical symbol system）假说，该假说认为“物理符号系统具有进行一样平常智能动作的必要和充分方法”。
意思是，任何显示出智能的系统（人类或机器）必须通过操作由符号组成的数据构造来运行。
这个假说已经受到了多方面的寻衅。

在IBM，纳撒尼尔·罗切斯特和他的同事开拓了首批人工智能程序。
赫伯特·盖伦特布局了几何定理证明程序（Geometry Theorem Prover），它能够证明许多数学学生认为相称棘手的定理。
这项事情是当代数学定理证明程序的先驱。

从长远来看，这一期间所有探索性事情中，最有影响力的可能是亚瑟·萨缪尔对泰西跳棋的研究。
通过利用现在称之为强化学习的方法，萨缪尔的程序可以以业余高手的水平进行对抗。
因此，他驳斥了打算机只能实行被奉告的事情的不雅观点：他的程序很快学会了玩游戏，乃至比其创造者玩得更好。
该程序于1956年在电视上演示，给人留下了深刻的印象。
萨缪尔的程序是许多后继系统的前身，如TD-GAMMON和ALPHAGO。
TD-GAMMON是天下上最好的泰西双陆棋棋手之一，而ALPHAGO因击败人类天下围棋冠军而震荡天下。

1958年，约翰·麦卡锡为人工智能做出了两项主要贡献。
在麻省理工学院人工智能实验室备忘录1号中，他定义了高等措辞Lisp，Lisp在接下来的30年中成为了最主要的人工智能编程措辞。

在一篇题为“Programs with Common Sense”的论文中，麦卡锡为基于知识和推理的人工智能系统提出了观点性议案。
这篇论文描述了“建议接管者”（Advice Taker），这是一个假想程序，它包含了天下的一样平常知识，并可以利用它得出行动方案。
该程序还被设计为能在正常运行过程中接管新的公理，从而实现无须重新编程就能够在新领域中运行。
因此，“建议接管者”表示了知识表示和推理的核心原则：对天下及其运作进行形式化、明确的表示，并且通过演绎来操作这种表示是很有用的。
这篇论文影响了人工智能的发展进程，至今仍故意义。

1958年也是马文·明斯基转到麻省理工学院的一年。
然而，他与麦卡锡的最初互助并没有持续。
麦卡锡强调形式逻辑中的表示和推理，而明斯基则对程序事情并终极形成反逻辑的不雅观点更感兴趣。
1963年，麦卡锡在斯坦福大学建立了人工智能实验室。
1965年亚伯拉罕·鲁滨逊归结事理（一阶逻辑的完备定理证明算法）的创造推进了麦卡锡利用逻辑来构建终极“建议接管者”的操持。
麦卡锡在斯坦福大学的事情中强调了逻辑推理的通用方法。
逻辑的运用包括柯德尔·格林的问答和方案系统以及斯坦福研究所（SRI）的Shakey机器人项目，后者是第一个展示逻辑推理和物理活动完备集成的项目。

在麻省理工学院，明斯基辅导了一批学生，他们选择了一些彷佛须要智能才能求解的有限问题。
这些有限的领域被称为微天下（microworld）。
詹姆斯·斯莱格尔的SAINT程序能够求解大学一年级课程中范例封闭形式的微积分问题。
托马斯·埃文斯的ANALOGY程序能够办理智商测试中常见的几何类比问题。
丹尼尔·博布罗的STUDENT项目能够求解代数运用问题。

最著名的微天下是积木天下（blocks world），由一组放置在桌面上的实心积木组成（或者更常见的是仿照桌面），如下图所示。
在这个天下中，一个范例的任务是用机器手以某种办法重新排列积木，这个机器手一次可以拿起一块积木。
积木天下孕育了戴维·哈夫曼的视觉项目、戴维·沃尔茨的视觉和约束传播事情、帕特里克·温斯顿的学习理论、特里·温诺格拉德的自然措辞理解程序以及斯科特·法尔曼的方案器。

积木天下的场景

建立在麦卡洛克和皮茨提出的神经网络上的早期事情也发达发展。
什穆埃尔·温诺格拉德和杰克·考恩的研究展示了大量元素如何共同代表一个独立的观点，同时提升稳健性和并行性。
赫布的学习方法分别得到了伯尼·维德罗和弗兰克·罗森布拉特的改进，他们的网络分别被称为线性自适应神经网络（adaline）和感知机（perceptron）。
感知机收敛定理（perceptron convergence theorem）指出，学习算法可以调度感知机的连接强度来拟合任何输入数据（条件是存在这样的拟合）。

从一开始，人工智能研究职员对未来成功的预测绝不避讳。
下面这句1957年赫伯特·西蒙的名言常常被引用：“我的目的不是使大家感到惊异或震荡，我可以总结出的最大略的说法是，现在天下上存在着能够思考、学习和创造的机器。
此外，它们的这些能力将迅速提高，在可见的未来内，它们能够处理的问题范围将与人类思维的运用范围一样广泛。
”

虽然“可见的未来”这个词是模糊的，但西蒙也做出了更详细的预测：“10年内，打算机将成为国际象棋冠军以及机器将能证明主要的数学定理。
”实际上，这些预测的实现（或近似实现）用了40年韶光，远远超过10年。
当初西蒙的过度自傲来自于早期人工智能系统在大略示例任务上的出色表现。
但是，在险些所有情形下，这些早期系统在更困难的问题上都失落败了。

失落败有两个紧张缘故原由。
第一个紧张缘故原由是许多早期人工智能系统紧张基于人类如何实行任务的“知情自察型”，而不是基于对任务、解的含义以及算法须要做什么才能可靠地产生解的仔细剖析。

第二个紧张缘故原由是对人工智能哀求解的问题的繁芜性缺少认识。
大多数早期的问题求解系统都会考试测验组合不同的步骤，直到找到解为止。
这一策略最初见效是由于微天下所包含的工具非常少，因此可能的动作非常少，解的动作序列也非常短。
在打算繁芜性理论发展完备之前，人们普遍认为“扩展”到更大的问题仅仅是须要更快的硬件和更大的内存。
但是当研究职员无法证明涉及几十个事实的定理时，伴随着归结定理证明发展而来的乐不雅观感情很快就受到了打击。
一样平常而言，程序可以找到解的事实并不虞味着该程序具备任何在实践中找到解所需的机制。

无限打算能力的抱负并不局限于求解问题的程序。
早期的机器进化（machine evolution）［现在称为遗传编程（genetic programming）］实验基于绝对的信念，即通过对机器代码程序进行一系列适当的小变异，就可以为任何特界说务天生表现良好的程序。
这个想法便是通过选择过程来考试测验随机突变，并保留彷佛有用的突变。
只管利用了长达数千小时的CPU韶光，但险些没有任何进展。
未能处理“组合爆炸”是莱特希尔报告中对人工智能的紧张批评之一，基于这份报告，英国政府决定在除两所大学外的所有大学中停滞支持人工智能研究。

此外，产生智能行为的根本构造存在一些根本限定也是导致失落败的缘故原由。
例如，明斯基和派珀特的著作Perceptrons证明，只管感知机（一种大略的神经网络形式）被证明可以学习它们能够表示的任何事物，但它们能表示的事物很少。
举例来说，我们无法演习双输入感知机来判断它的两个输入是否相同。
只管他们的研究结果并不适用于更繁芜的多层网络，但用于神经网络研究的经费很快就减少到险些为零。
讽刺的是，在20世纪80年代和21世纪10年代再次引起神经网络研究巨大复兴的新反向传播学习算法，早在20世纪60年代初已经在其他情景下得到了发展。

在人工智能研究的前十年提出的问题求解是一种通用搜索机制，试图将基本的推理步骤串在一起，找到完全的解。
这种方法被称为弱方法（weak method），这种方法虽然很普适，但它不能扩展到大型或困难的问题实例上。
弱方法的替代方案是利用更强大的领域特定的知识，这些知识许可更大规模的推理步骤，并且可以更轻松地处理特定专业领域中发生的范例案例。
有人可能会说，必须已经差不多知道答案才能办理一个难题。

DENDRAL程序是这种方法的早期例子。
它是在斯坦福大学开拓的，爱德华·费根鲍姆（曾是赫伯特·西蒙的学生）、布鲁斯·布坎南（从哲学家转行的打算机科学家）和乔舒亚·莱德伯格（诺贝尔生理学或医学奖得主，遗传学家）联手办理了从质谱仪供应的信息推断分子构造的问题。
该程序的输入包括分子的基本分子式（如）和质谱，个中质谱给出了分子被电子束轰击时产生的各种碎片的质量。
例如，质谱可能在m = 15处有一个峰，这对应于甲基（）碎片的质量。

大略版本的程序天生所有可能的符合分子式的构造，然后预测每个构造在质谱仪中的不雅观测结果，并将其与实际质谱进行比较。
正如人们所预期的，这对中等规模的分子来说也是难以处理的。
DENDRAL的研究职员咨询了剖析化学家，并创造他们通过探求质谱中已知的峰模式来事情，这些峰表明分子中的常见子构造。

认识到分子包含特定的子构造，可以极大地减少可能候选项的量级。
据作者称，DENDRAL之以是强大，是由于它不因此第一性事理的形式，而因此高效“食谱”的形式表示了质谱的干系知识。
DENDRAL的意义在于它是第一个成功的知识密集型系统：它的专业知识来源于大量专用规则。
1971年，费根鲍姆和斯坦福大学的其他研究职员开启了启示式编程项目（heuristic programming project，HPP），以此来研究专家系统（expert system）的新方法可以在多大程度上运用到其他领域。

接下来的一个紧张事情是用于诊断血液传染的MYCIN系统。
MYCIN有大约450条规则，它能够表现得和一些专家一样好，乃至比低级年夜夫要好得多。
MYCIN与DENDRAL有两个紧张差异。
首先，不像DENDRAL规则，不存在可以推导出MYCIN规则的一样平常理论模型，MYCIN规则不得不从大量的专家访谈中得到。
其次，规则必须反响与医学知识干系的不愿定性。
MYCIN引入了一种称为确定性因子的不愿定性打算，这在当时彷佛与年夜夫评估证据对诊断影响的办法非常吻合。

第一个成功的商用专家系统R1在数字设备公司（DEC）投入利用，该程序帮助公司配置新打算机系统的订单。
截至1986年，它每年为公司节省约4000万美元。
到1988年，DEC的人工智能小组已经支配了40个专家系统，而且还有更多的专家系统在开拓中。
同期间，杜邦公司有100个专家系统在利用，500个在开拓。
当时险些每家美国大公司都有自己的人工智能团队，不是在利用专家系统，便是在研究专家系统。

领域知识的主要性在自然措辞理解领域也很突出。
只管特里·温诺格拉德的SHRDLU系统取得了成功，但它的方法并没有扩展到更一样平常的任务：对付歧义消解之类的问题，它利用了依赖于积木天下中眇小范围的大略规则。

包括麻省理工学院的尤金·查尔尼克和耶鲁大学的罗杰·尚克在内的几位研究职员同等认为，强大的措辞理解须要关于天下的一样平常知识以及利用这些知识的一样平常方法。
尚克和他的学生们建立了一系列的程序，这些程序都用于理解自然措辞。
但是，重点不在于措辞本身，而在于用措辞理解所需的知识来表示和推理问题。

在真实天下中的广泛运用引发了表示和推理工具的广泛发展。
有些是基于逻辑的，例如，Prolog措辞在欧洲和日本盛行，而PLANNER家族在美国盛行。
其他人则遵照明斯基的框架（frame）思想，采取了一种更构造化的方法，将有关特定工具和事宜类型的事实组合起来，并将这些类型组织成类似于生物分类法的大型分类层次构造。

1981年，日本政府宣告了“第五代打算机”操持，这是一个十年操持，旨在建造运行Prolog的大规模并行智能打算机。
按现在的货币系统衡量，预算将超过13亿美元。
作为回应，美国成立了微电子与打算机技能公司（MCC），这是一个旨在确保国家竞争力的同盟。
在这两个项目中，人工智能都是广泛努力的一部分，包括芯片设计和人机界面研究。
在英国，阿尔维报告规复了被莱特希尔报告取消的帮助资金。
然而，这些项目都没有在新型的人工智能能力或经济影响方面下实现其宏伟目标。

总的来说，人工智能行业从1980年的几百万美元增长到1988年的数十亿美元，还产生了数百家构建专家系统、视觉系统、机器人以及专门做事于这些目的的软硬件的公司。
但此后不久，经历了一段被称为“人工智能冬天”的期间，许多公司因未能兑现夸年夜的承诺而结束。
事实证明，为繁芜领域构建和掩护专家系统是困难的，一部分缘故原由是系统利用的推理方法在面临不愿定性时会崩溃，另一部分缘故原由是系统无法从履历中学习。

——————————————————