————参考文献《人工智能：一种现代的方法》（第3版）
要了解一个学科，需要从它的起源开始。需要了解它创建的初衷、在发展过程中遇到的困难，遇到困难时的做法（例如求助于哪些学科、失败后或遇到瓶颈时的反思以及改进）。
人工智能孕育期：【1943-1955】
（结合基础生理学、脑神经元的功能、图灵的计算理论三方面知识）
人工神经元模型：神经元被描述为两种状态：开或者关（1或者0）。相连的神经元被类比为一个复杂的网络，若给定一个命题，其中的或、非、与等逻辑连接词都可以实现（通过部分神经元网络），并且推导出最终结果。
人工智能诞生：【1956】
达特茅斯研讨会：此会的内容并没有使这个学科得到新突破，但是人工智能领域的主要人物已然确立。从这次会议，我们起码可以明确人工智能的主要特征。首先它是计算机科学的一个分支，但它并不完全是数学，因为它涉及到语言，自我改进，以及在复杂环境下的机器应答，以及我们现在期待的，创造性。我们不能否认有人的主观特性参与其中。
早期的成功：【1952-1969】
麦卡锡定义了高级语言Lisp，分时技术（？）。并且描述了假象程序（Advice Taker）。该系统具有一定的常识，且可以自主学习、掌握新领域的知识。
明斯基研究有限域——微观世界，即需要智能的有边界的问题。其中最著名的是积木世界。
问题变得复杂之后的失败：【1966-1973】
对背景的忽略；对问题可能包含解的情况的忽略【组合太多，问题的放大部分与更大的存储硬盘和更快的硬件有关，但不是全部】；机器本身的局限；
进一步的突破：【1969-1979】
处理狭窄领域（或称为专家领域？）的问题：需要的不仅是常识，更需要专业知识作为支撑。”要求解一个难题，你必须差不多已经知道答案。“
人工智能产业化：【1980-现在】
已经可以制造出一个个的系统（专家系统、视觉系统等），然后迎来了“人工智能的冬天”（许多公司高估了自己的能力）。
人工智能所用方法的进步：
早期的时候，人工智能没有合理的考虑统计学等数学领域的知识，导致它的方法论孤立而不准确。后期终于意识到了严格以数学定义的重要性（考虑模糊性存在的条件下）。“机器学习不应该和信息论分离，不确定推理不应该和随机模型分离，搜索不应该和经典的控制与优化分离。自动推理不应该和形式化方法和静态分析分离。”
另一个春天？【2001年-现在】
研究发现，采用同样算法时，当数据量得以较大提升，表现结果会有显著提升。AI的重心一直是算法，最近有认为可以多关心数据。极端说，就是只要有足够的数据，可以通过学习算法学到表达系统所需的所有知识，而不用手工编码。