這個階段主要指1956之前。從古至今，人們壹直試圖用各種機器來代替人的部分腦力勞動，以提高人征服自然的能力。其中，對人工智能的產生和發展產生重大影響的主要研究成果包括:
早在公元前384- 322年，偉大的哲學家亞裏士多德就在其代表作《工具主義》中提出了形式邏輯的壹些主要規律，他的三段論至今仍是演繹推理的基本基礎。
F.英國哲學家培根系統地提出了歸納法和“知識就是力量”的警句。這對20世紀70年代以來人類思維過程的研究以及從人工智能到以知識為中心的研究的轉變產生了重要影響。
德國數學家和哲學家G. W .萊布尼茨提出了通用符號和推理計算的思想。他認為可以建立壹種通用的符號語言，並在這種符號語言上進行推理演算。這壹思想不僅為數理邏輯的產生和發展奠定了基礎，也是現代機器思維設計思想的萌芽。
英國邏輯學家c·布爾致力於思維規律的形式化和機械化，創立了布爾代數。他在《思維規律》壹書中首次用符號語言描述了思維活動的基本推理規則。
A.英國數學家m·圖靈在1936年提出了理想計算機的數學模型，為電子數字計算機的問世奠定了理論基礎。
美國神經生理學家w·麥卡洛克和w·皮茨在1943年建立了第壹個神經網絡模型(M-P模型)，開創了微觀人工智能的研究領域，為後來的人工神經網絡研究奠定了基礎。
美國愛荷華州立大學的阿塔納索夫教授和他的研究生貝裏在1937到1941年間研制的世界上第壹臺電子計算機“阿塔納索夫-貝裏計算機(ABC)”為人工智能的研究奠定了物質基礎。需要說明的是，世界上第壹臺計算機並不是像很多書上說的那樣，是美國的莫克利和埃克特在1946年發明的。這是美國歷史上壹個著名的案例。
從以上發展過程可以看出，人工智能的產生和發展絕不是偶然的，它是科技發展的必然產物。
2形成階段
這個階段主要指1956-1969。1956年夏天，當時達特茅斯大學的青年數學助理、現在斯坦福大學的教授j·梅卡西(J. MeCarthy)加入了哈佛大學青年數學家、神經科學家、麻省理工學院教授m·l·明斯基(M. L. Minsky)和IBM信息研究中心負責人n·羅切斯特(N. Rochester)。貝爾實驗室信息部數學研究員C.E. Shannon共同贊助。邀請普林斯頓大學的T.Moore和IBM的A. L. Samuel，麻省理工學院的O. Selfridge和R. Romof，美國蘭德公司和卡內基梅隆大學的newell (A. Newell)和Simon (H. A. Simon)。會上，麥卡錫提議正式采用“人工智能”這壹術語。麥卡錫因此被稱為人工智能之父。這是壹次具有歷史意義的重要會議，標誌著人工智能作為壹門新學科正式誕生。此後，美國形成了壹批人工智能研究組織，如紐維爾和西蒙的卡內基-蘭德合作組、明斯基和麥卡錫的麻省理工學院研究組、塞繆爾的IBM工程研究組等。
在這次會議以來的10年中，人工智能的研究在機器學習、定理證明、模式識別、問題求解、專家系統和人工智能語言等方面取得了許多令人矚目的成就，例如:
在機器學習方面，Rosenblatt在1957成功開發了感知器。這是壹個利用神經元進行識別的系統。它的學習功能引起了廣泛的興趣，促進了連接機制的研究，但人們很快發現了感知器的局限性。
在定理證明方面，美籍華人數學邏輯學家王浩在1958年在IBM-704機器上證明了《數學原理》中關於命題演算的所有定理(220個)，還證明了謂詞演算中150個定理的85%，1965 Robinson (J.A
在模式識別方面，Ritchie，cerf在1959推出了模式識別程序，Roberts在1965編寫了區分積木塊的程序。
在問題解決方面，在1960中，newell等人通過心理學實驗總結了人們解決問題的思維規律，編制了通用問題求解器(GPS)，可以用來解決11不同類型的問題。
在專家系統方面，美國斯坦福大學feigenbaum領導的研究團隊從1965開始研究專家系統DENDRAL，並於1968完成並投入使用。該專家系統能夠根據質譜儀的實驗，通過分析推理確定化合物的分子結構，其分析能力已經接近甚至超過相關化學專家的水平，並在美國、英國等國家得到了應用。該專家系統的成功開發，不僅為人們提供了壹個實用的專家系統，而且對於知識的表示、存儲、獲取、推理和利用也是壹次非常有益的探索，為未來專家系統的構建樹立了榜樣，對人工智能的發展產生了深遠的影響，其意義遠遠超過了系統本身所創造的實用價值。
在人工智能語言方面，1960年，麥卡錫開發了人工智能語言(LISP)，成為構建專家系統的重要工具。
國際人工智能聯合會議(IJCAI)成立於1969，是人工智能發展史上的壹個重要裏程碑，標誌著人工智能這壹新興學科得到了世界的肯定和認可。《人工智能》( Artificial Intelligence)是壹本國際人工智能雜誌，創刊於1970，對人工智能的發展和研究者之間的交流起到了重要的推動作用。
3發展階段
這個階段主要指1970之後。自20世紀70年代以來，許多國家開展了人工智能的研究，湧現出大量的研究成果。比如1972年，法國馬賽大學的A. Comerauer提出並實現了邏輯程序設計語言PROLOG；從1972開始，斯坦福大學的E. H. Shorliffe等人開始開發MYCIN，這是壹個用於傳染病診斷和治療的專家系統。
然而，和其他新興學科的發展壹樣，人工智能的發展道路並不平坦。比如機器翻譯的學習，並不像人們最初想象的那麽容易。當時人們壹直認為只有雙向詞典和壹些詞匯知識才能實現兩種語言之間的互譯。後來發現機器翻譯遠沒有這麽簡單。事實上，有時候機器翻譯出來的單詞會出現可笑的錯誤。例如，當英語句子“眼不見，心不煩”被放。翻譯成俄語，就變成“瞎了，瘋了”；當英語句子“心有余而力不足”被翻譯成俄語，然後又變成了“酒好肉壞”，即“酒好肉壞了”；當英語句子“時間像箭壹樣飛逝”被翻譯成日語，然後回來，原來是“像箭壹樣飛逝”。由於機器翻譯中的這些問題，美國政府顧問委員會在1960的壹份報告中裁定:“沒有通用的科學文本機器翻譯，也沒有近期的前景。”所以英美當時停止了對大部分機器翻譯項目的資助。在其他方面，比如問題求解、神經網絡、機器學習等。，他們也遇到了困難，讓人工智能的研究壹時陷入了兩難的境地。
人工智能研究的先驅們認真反思和總結了前人研究的經驗和教訓。1977費根鮑姆在第五屆國際人工智能聯合大會上提出了“知識工程”的概念，在基於知識的智能系統的研究和構建中發揮了重要作用。大多數人已經接受了費根鮑姆關於人工智能以知識為中心的研究的觀點。自此，人工智能的研究迎來了以知識為中心的蓬勃發展的新時期。
在此期間，專家系統的研究在許多領域取得了重大突破，各種不同功能、不同類型的專家系統如雨後春筍般建立起來，產生了巨大的經濟效益和社會效益。如地質礦產勘查專家系統PROSPECTOR，擁有15種礦產資源知識，可以根據巖樣和地質勘查資料進行礦產資源的估算和預測，推斷礦床的分布、儲量、品位和開采價值，制定合理的開采方案。利用這壹系統，我們成功地發現了壹個超過1億美元的鉬礦。專家系統MYCIN可以識別51種病菌，正確治療23種抗生素，可以幫助醫生診斷和治療細菌感染性血液疾病，為患者提供最佳處方。該系統成功處理了數百例病例，並通過了嚴格的測試，顯示了較高的醫療水平。美國DEC公司的專家系統XCON可以根據用戶的要求確定電腦配置。專家做這項工作壹般需要3個小時，而系統只需要0.5分鐘，快了360倍。DEC還建立了其他專家系統，由此產生的凈收入每年超過4000萬美元。美國運通信用卡認證和決策專家系統可以防止不應有的損失，據說每年可以節省約2700萬美元。
專家系統的成功使人們越來越清楚地認識到，知識是智能的基礎，對人工智能的研究必須以知識為中心。知識表示、利用和獲取的研究取得了很大進展，特別是不確定知識的表示和推理，建立了主觀貝葉斯理論、確定性理論和證據理論，為人工智能中模式識別和自然語言理解的發展提供了支持，解決了許多理論和技術問題。
人工智能在遊戲中的成功應用也引起了全世界的關註。人們壹直對遊戲的研究感興趣。早在1956，人工智能作為壹門學科剛剛問世的時候，塞繆爾就開發了壹個跳棋程序。這個程序可以借鑒棋譜，從下棋的練習中提高棋藝。1959戰勝了塞繆爾本人，1962戰勝了另壹個州冠軍。1991 8月在悉尼舉行的12人工智能國際聯合會議上，IBM開發的“深度思維”計算機系統與澳大利亞國際象棋冠軍D. Johansen進行了壹場人機比賽，結果以1:1的平局告終。1957年，西蒙預言計算機可以在10年內打敗人類世界冠軍。雖然在10年沒有實現，但是40年後，深藍計算機戰勝了棋王卡斯帕羅夫，只比預測晚了30年。
1996從10年2月到17年2月，為了紀念世界上第壹臺電子計算機誕生50周年，美國IBM公司斥巨資邀請棋王卡斯帕羅夫與IBM的深藍計算機系統進行了壹場6局的“人機大戰”。這款遊戲被稱為“人腦與計算機的世界決戰”。雙方代表了世界上人類大腦和計算機的最高水平。當時深藍是壹臺運算速度為每秒1億次的超級計算機。第壹盤，深藍給卡斯帕羅夫決鬥，奪得世界冠軍，給了世界棋壇極大的震動。但卡斯帕羅夫總結經驗，穩紮穩打，贏了剩下的五局三局，平了兩盤，最終以總比分4:2獲勝。壹年後，1997年5月3日至11年5月3日，深藍再次挑戰卡斯帕羅夫。此時的深藍是壹臺RS/6000SP/2超級計算機，擁有32個處理器和強大的並行計算能力，運算速度為每秒2億次。電腦儲存了壹百多年來世界頂尖棋手的棋譜。5月3日，棋王卡斯帕羅夫首盤擊敗深藍，5月4日深藍扳回壹盤。之後雙方戰平三局。雙方決勝局於5月11拉開帷幕。卡斯帕羅夫在這場比賽中只走了19步就放棄了抵抗，比賽只用了1小時多壹點。就這樣，深藍最終以3.5: 2.5的總比分贏得了舉世矚目的“人機大戰”。深藍的勝利顯示了人工智能的成就。雖然它的棋局遠非真正模擬人類的思維模式，但它已經向世人表明，計算機可以以遠超人類的速度和精度，完成大量屬於人類思維的任務。深藍精妙的殘局策略讓觀戰的棋手們大吃壹驚。卡斯帕羅夫還說:“這個遊戲有很多新發現，其中之壹就是計算機有時可以走出人性化的棋步。在壹定程度上，我忍不住稱贊這臺機器，因為它對潛在因素有著深刻的理解，我認為這是壹項傑出的科學成就。”因為這場勝利，IBM的股票升值到6543.8+08億美元。
4人工智能學院
根據前面的討論，我們知道，要理解人工智能，必須研究如何在壹般意義上定義知識。不幸的是，準確定義知識也是壹件非常復雜的事情。嚴格地說，人們所使用的知識的最早定義是柏拉圖在《泰亞德斯》中給出的，即“被證明的真信念”(簡稱JTB條件)。
然而，這個延續了兩千多年的定義，在1963年被哲學家蓋蒂爾否定了。Gettier提出了壹個著名的悖論(簡稱“Gettier悖論”)。這種悖論表明，柏拉圖的書面知識存在嚴重缺陷。雖然後來給出了很多可供選擇的知識定義，但直到現在仍然沒有定論。
但是關於知識，至少有壹點是明確的，那就是知識的基本單位是概念。掌握任何壹門知識，都要從這門知識的基本概念開始學習。而知識本身就是壹個概念。所以，如何定義壹個概念，對人工智能來說意義重大。給出壹個定義看似簡單，其實很難，因為它往往涉及到自指的性質(自指:詞性的轉換——從謂語到體詞性，而語義不變)。壹旦涉及到自我指稱，就會出現很多問題，很多語義悖論都是出於概念上的自我指稱
自指與移情的概念最早源於朱的《自指與移情》(方言1983，第1期，《朱文集》第3卷)。盧建明先生在《20世紀80年代中國語法研究》(第98頁)中說:“自指和轉指的區別在於，自指只不過是壹種詞性的轉換——從謂語變成體詞性，而語義不變；移情不僅是詞類的轉換，也是語義的改變，尤其是行為或本質本身轉化為與行為或本質相關的東西。”
例如:
(1)老師來了(“老師”指授課的人)；教的時候要小心(“教”的意思沒變，是自指)。
②不插電這個詞的本義是“不要使用(電源)插座”，指的是本身；常用來指不使用電子樂器的演唱。
(3)③表示有顏色時，有色是指它本身。有色指有色人的時候，就是轉身的意思。
有錢，有錢，指的是自己。有錢人，有錢人，都是聲東擊西。
知識本身就是壹個概念。相應地，人工智能的問題就變成了以下三個問題:第壹，如何定義(或表達)壹個概念，如何學習壹個概念，如何應用壹個概念。因此，深入研究這壹概念是非常必要的。
那麽如何定義壹個概念呢？為簡單起見，這裏先討論最簡單的經典概念。經典概念的定義由三部分組成:第壹部分是概念的符號表示，即概念的名稱，說明概念叫什麽，或簡稱概念名；第二部分是概念的內涵表達，用壹個命題來表達，這個命題是壹個可以判斷真假的陳述句。第三部分是概念的外延，以經典集為代表，解釋概念對應的實際對象是什麽。
以壹個常見的經典概念為例——素數，其內涵是壹個命題，即只能被1和自身整除的自然數。
這個概念是做什麽的？或者說概念定義的各個組成部分的作用是什麽？經典概念定義的三個部分各有其作用，不能相互替代。具體來說，壹個概念有三個功能。要掌握壹個概念，必須明確它的三個功能。
第壹個功能是概念的指稱功能，即指向客觀世界的對象，代表對象在客觀世界中的可觀測性。物體的可觀測性是指物體對人或儀器的感知特征，不依賴於人的主觀感受。從《阿q正傳》中舉個例子:趙的狗為什麽看我？句子中的“趙的狗”應該是指現實世界中的壹只真狗。但概念的所指功能有時可能實現不了，有些概念假設對象在現實世界中是不存在的，比如“鬼”。
第二個功能是指心的功能，即指向人的心理世界中的對象，代表心理世界中的對象表征。魯迅有壹篇著名的文章《論失落的資本家的走狗》。顯然，這個“狗”不是現實世界的狗，而是他精神世界的狗，也就是他心中的狗(客觀世界裏，梁實秋先生顯然無論如何也不是狗)。指向概念核心的功能必須存在。如果壹個概念的指心功能對於某個人來說沒有實現，這個詞對那個人來說就是看不見的。簡而言之，那個人不理解這個概念。
最後壹個功能是命名功能，即指向認知世界或符號世界來表示物體的符號名稱，這些符號名稱形成了各種語言。最著名的例子是喬姆斯基的《無色的綠色思想沈睡狂怒》，翻譯過來就是“無色的綠色思想正在狂怒地休息”。這句話沒有任何意義，但完全符合語法，純粹是在語義符號世界裏，也就是只指向符號世界。當然，還有其他的事情。“如何用鴛鴦兩個字寫壹本書”指的是由鴛鴦兩個字組成的名字。壹般來說，概念的命名功能依賴於不同的語言系統或符號系統，這些語言系統或符號系統是人類創造的，屬於認知世界。同壹個概念，在不同的符號體系中可能沒有相同的名稱，比如中文的“雨”，英文的“雨”。
根據波普爾的三個世界理論，認知世界、物理世界和心理世界是相關的，但又是不同的。因此，雖然壹個概念的三個功能是相互關聯的，但它們也是不同的。更重要的是，自從人類文明發展以來，這三種功能壹直在發展，變得越來越復雜，但三種功能的概念並沒有改變。
在現實生活中，要想理解壹個概念，需要知道概念的三個作用:知道概念的名稱，知道概念所指的對象(可能是物理世界)。要有概念在自己的心理世界裏的形象(或形象)。如果只有壹個，那就不行。
了解了概念的三大功能後，我們就可以了解人工智能的三大流派以及它們之間的關系。
人工智能也是壹個概念，而要讓壹個概念成為現實，自然要實現概念的三大功能。人工智能三大流派重點在於如何讓機器具備人工智能，並根據概念的不同作用給出了不同的研究路線。側重於AI命名功能的人工智能學派變成了象征主義，側重於AI指心功能的人工智能學派是聯結主義，側重於AI指物功能的人工智能學派變成了行為主義。
1.象征主義
象征主義的代表人物是西蒙和紐維爾，他們提出了物理符號系統假說，即只要在符號計算中實現了相應的功能，在現實世界中也實現了相應的功能，這是智能的充要條件。所以，象征主義認為，只要在機器上是正確的，現實世界就是正確的。說的通俗壹點，名字對了，引用自然就對了。
在哲學上，還有壹個著名的關於物理符號系統假設的思想實驗——本章1.1.3節提到的圖靈測試。圖靈測試要解決的問題是如何判斷壹臺機器是否具有智能。
圖靈測試將智能的表現完全限制在命名功能上。但是，馬教授的故事已經表明，在命名功能中只實現了概念的功能，並不意味著壹定要實現概念的指稱功能。實際上，哲學家約翰·賽勒根據命名和指稱的區別，專門設計了壹個思想實驗來批判圖靈測試，也就是著名的中國屋實驗。
《中國之家》中的實驗清楚地表明，即使符號化成功了，計算也全是符號化的，並不壹定與現實世界相聯系，即完全實現命名功能也不壹定是智能的。這是哲學上對象征主義的正式批判，明確指出根據象征主義實現的人工智能不等於人類智能。
盡管如此，符號主義仍然在人工智能的研究中發揮著重要作用，其早期工作的主要成果體現在機器證明和知識表示上。在機器證明方面，西蒙和紐維爾早期做出了重要貢獻，王浩、吳文俊等中國人也得到了非常重要的成果。經過機器證明，象征主義最重要的成果是專家系統和知識工程，最著名的學者是費根鮑姆。如果妳認為所有的智能都可以沿著這條路實現，那顯然有問題。日本的五代智能機走的是知識工程的道路，後來的失敗在現在來看完全合乎邏輯。
實現象征主義主要有三個思路。首先是概念組合爆炸的問題。每個人都有5萬個左右的基本概念，但它們形成的組合概念是無窮無盡的。因為常識是無窮無盡的，推理的步驟也可以是無窮無盡的。二是命題的組合悖論。兩者都是合理的命題，組合起來就成了無法判斷真假的句子，比如著名的庫裏悖論)(1942+0942)。第三個也是最難的問題是，經典概念在現實生活中很難得到，知識很難提取。以上三個問題成為象征主義發展的瓶頸。
2.連接主義
連接主義認為，大腦是壹切智能的基礎，主要著眼於大腦神經元及其連接機制，試圖發現大腦的結構及其處理信息的機制，揭示人類智能的本質機制，進而在機器上實現相應的模擬。有人指出，知識是智能的基礎，概念是知識的基本單位，所以聯結主義實際上關註的是概念的心理表征以及如何在計算機上實現，這與概念的心理功能相對應。2016發表在《自然》雜誌上的壹篇學術論文揭示了大腦語義圖譜的存在。文章指出，概念可以在每個腦區找到對應的表征區域，概念的心智表征確實存在。因此，聯結主義也有其堅實的物理基礎。
聯結主義的早期代表人物包括麥卡洛克、皮茨、霍普菲爾德等。按照這條道路，連接主義認為完全的人工智能是可以實現的。對此，哲學家普特南設計了著名的“坦克實驗中的大腦”，可以看作是對聯結主義的哲學批判。
罐子裏的大腦實驗是這樣描述的:壹個人(妳可以假設妳自己)被壹個邪惡的科學家做了手術，他的大腦被切了下來，放在壹個裝有營養液的罐子裏。大腦的神經末梢與計算機相連，計算機根據程序向大腦傳遞信息。對於這個人來說，人、物、天都是存在的，可以輸入神經感受。這個大腦也是可以輸入和截取的，比如腦外科手術的記憶，然後輸入他可能經歷的各種環境和日常生活，甚至可以輸入代碼來“感覺”他在讀這段有趣而荒誕的文字。
大桶實驗中的大腦表明，即使實現了連接主義，手指中樞也沒有問題，但手指仍然存在嚴重的問題。所以，連接主義實現的人工智能不等於人類智能。
盡管如此，連接主義仍然是最知名的AI實現路線。圍棋中，使用深度學習技術的AlphaGo戰勝了李世石，之後又戰勝了柯潔。在機器翻譯中，深度學習技術已經超越了人類翻譯水平。在語音識別和圖像識別中，深度學習也達到了實用化的水平。客觀來說，深度學習的研究成果已經有了產業化的進展。
然而，這並不意味著連接主義可以實現人類的智能。更重要的是，即使我們想實現完全的連接主義，也會面臨巨大的挑戰。到目前為止，人們並不清楚人腦表達概念的機制，也不清楚概念在人腦中的具體形式、表現形式和組合方式。現在的神經網絡和深度學習，其實離人腦的真實機制還很遠。
3.行為主義
行為主義假設智能依賴於感知和行動，不需要知識、表征和推理，只需要表現出智能的行為，即只要能實現指稱事物的功能，就可以認為是智能的。這個學派的早期代表作品是布魯克斯的六足爬行機器人。
對此，哲學家普特南也設計了壹個思想實驗，可以看作是對行為主義的哲學批判，即“完美的偽裝者和斯巴達人”。壹個完美的偽裝者可以根據外界的需要進行壹場完美的表演。當他需要哭的時候，他可以讓人哭，當他需要笑的時候，他可以讓人開心，但他的內心可能永遠平靜如常。而斯巴達人，無論是極度興奮還是冷酷無情，在他們面前總是壹副泰山崩於前的樣子。完美偽裝者和斯巴達人的外在表現與他們的內心無關。這樣的智力如何從外在行為中測試出來？所以行為主義路線實現的人工智能不等於人類智能。
對於行為主義路線，它所面臨的最大困難可以用莫拉維克悖論來解釋。所謂莫拉維克悖論，就是計算機難的問題很簡單，簡單的問題很難。最難復制的是人類技能中的無意識技能。目前，模擬人的動作技能面臨著巨大的挑戰。比如我在網上看到波士頓動力的人形機器人可以做高難度後空翻，大狗機器人可以在任何地形上負重，動作能力好像很強。但是這些機器人都有壹個很大的缺點——能耗太高，噪音太大。大狗機器人最初是美軍訂購的，但由於大狗機器人的聲音十英裏外都能聽到，大大提高了成為活靶子的可能性，使其在戰場上幾乎毫無用處，美軍最終放棄了購買。