即使我們可以使機器屈服于人類，比如，可以在關鍵時刻關掉電源，然而作爲一個物種，我們也應當感到極大的敬畏。
——阿蘭·圖靈
新的起點
1956年達特茅斯會議後，人們懷著極大的熱忱投入到人工智能的研究中。在較短的時間內，符號主義和連接主義相繼取得理論上的重要進展，人工智能研究獲得了以DARPA爲代表的政府部門的資助，相關的技術突破開始層出不窮。到20世紀80年代，專家系統的誕生，使得人工智能技術首次實現大規模商業化，人工智能的發展受到了極高的關注。2016年，谷歌圍棋程序AlphaGo戰勝李世石後，人工智能再次得到了産業界、學術界、資本界以及各國政府的高度重視，發展進入“快車道”。
人工智能發展經曆三次浪潮
資料來源：北京前沿國際人工智能研究院.北京人工智能産業發展白皮書.2018.
曆史總是相似的。如同60年後AlphaGo圍棋程序引起的轟動一樣，1956年IBM公司科學家亞瑟·塞缪爾在電視上首次展示了會下西洋跳棋的人工智能程序，給當時的人們留下了很深的印象。塞缪爾的跳棋程序運行于IBM 704大型通用電子計算機上，它可以記住17500張棋譜，在實戰中能自動分析哪些棋步源于書上推薦的走法，准確率達48%。很快，跳棋程序就戰勝了塞缪爾本人，到1962年它甚至擊敗了美國一個州的跳棋冠軍。
塞缪爾的跳棋程序或許是人工智能應用第一次進入大衆的視野，它的基本原理是“搜索式推理”算法。就像走迷宮一樣，“搜索式推理”系統在執行遊戲時一步一步搜索著前進，遇到死胡同就換條路。這種方法也被稱爲“樹搜索”。這種“搜索式推理”系統隱約具備了人工智能的雛形，但在解決實際問題時卻存在諸多困境。一旦“迷宮”過大，盲目式搜索（暴力計算）的效率過低，走完“迷宮”所花的時間就太長。鑒于人工智能1.0時代的計算效率低下，處理稍微複雜一些的問題時，盲目式搜索就顯得力不從心了。
感知機（Perceptron）原理示意圖
但感知機的局限性也很明顯，其過于簡單的結構在處理非線性問題時就力不從心了。明斯基和西蒙·派珀特（Seymour Papert）就對這一算法産生了強烈質疑。1969年，明斯基和派珀特合作撰寫了《感知機：計算幾何簡介》（Perceptrons）一書，抨擊感知機存在的兩個關鍵問題：一是受硬件限制，感知機所需的超大計算量無法實現；二是感知機連最基本的布爾函數異或運算（XOR）都做不到。因爲受到明斯基等“大牛”的嚴厲批評，連接主義此後並沒有興起太大的波瀾，研究很快就陷入了沉寂。
在人工智能1.0時代，符號主義一派的許多技術突破，使得人們對人工智能的發展非常樂觀，一些政府部門也樂于投資人工智能研發。例如，美國國家研究委員會資助了俄語論文翻譯項目，DARPA開始無條件地資助麻省理工學院、卡內基梅隆大學和斯坦福大學等。但好景不長，人們很快就發現人工智能系統在解決實際問題時難以奏效，西蒙和紐厄爾等名家的許多美好預言都沒有實現。

專家系統DENDRAL的工作流程
DENDRAL成功驗證了費根鮑姆關于知識工程理論的正確性，不愧爲人工智能研究的一個曆史性突破。隨後，費根鮑姆領導的研究小組就開始探索專家系統在其他人類專家知識領域的應用，成功爲醫學、工程和國防等部門研制出一系列實用的專家系統。其中，醫學專家系統MYCIN最負盛名。20世紀70年代，斯坦福大學博士生愛德華·肖特立夫（Edward Shortliffe）在布魯斯·布坎南（Bruce Buchanan）和費根鮑姆等人的指導下，利用LISP語言寫出了用于診斷血液傳染病的專家系統MYCIN。MYCIN具有450條規則，其推導患者病情的過程與專家的推導過程相似，因此可以在部分程度上替代人類。實驗證明，MYCIN系統開處方的正確率達到了69%，這要比初級醫師的表現更好，但與專業從事細菌感染的醫師（正確率80%）相比還是差了一些。
盡管當時專家系統還有這樣那樣的缺陷，但其在很多特定領域已經達到了專家水平，具備了商業化潛質。1980年，卡內基梅隆大學給美國數字設備公司（DEC）設計了名爲XCON（eXpertCONfigurer）的專家系統。作爲當時的一家初創公司，DEC意圖生産小型機來挑戰行業巨頭IBM。而配備XCON的小型機確實給了IBM當頭一棒。當用戶購買了DEC的VAX系列計算機時，XCON可以按照需求自動配置零部件，從而大幅降低公司的運營成本。到1986年爲止，XCON每年可爲公司節省大約4000萬美元；到1988年爲止，DEC公司已經部署了40個專家系統。可以說，XCON的成功爲DEC公司的商業輝煌奠定了基礎，而DEC的成功也成就了風險投資人。