即使我们可以使机器屈服于人类，比如，可以在关键时刻关掉电源，然而作为一个物种，我们也应当感到极大的敬畏。
——阿兰·图灵
新的起点
1956年达特茅斯会议后，人们怀着极大的热忱投入到人工智能的研究中。在较短的时间内，符号主义和连接主义相继取得理论上的重要进展，人工智能研究获得了以DARPA为代表的政府部门的资助，相关的技术突破开始层出不穷。到20世纪80年代，专家系统的诞生，使得人工智能技术首次实现大规模商业化，人工智能的发展受到了极高的关注。2016年，谷歌围棋程序AlphaGo战胜李世石后，人工智能再次得到了产业界、学术界、资本界以及各国政府的高度重视，发展进入“快车道”。
人工智能发展经历三次浪潮
资料来源：北京前沿国际人工智能研究院.北京人工智能产业发展白皮书.2018.
历史总是相似的。如同60年后AlphaGo围棋程序引起的轰动一样，1956年IBM公司科学家亚瑟·塞缪尔在电视上首次展示了会下西洋跳棋的人工智能程序，给当时的人们留下了很深的印象。塞缪尔的跳棋程序运行于IBM 704大型通用电子计算机上，它可以记住17500张棋谱，在实战中能自动分析哪些棋步源于书上推荐的走法，准确率达48%。很快，跳棋程序就战胜了塞缪尔本人，到1962年它甚至击败了美国一个州的跳棋冠军。
塞缪尔的跳棋程序或许是人工智能应用第一次进入大众的视野，它的基本原理是“搜索式推理”算法。就像走迷宫一样，“搜索式推理”系统在执行游戏时一步一步搜索着前进，遇到死胡同就换条路。这种方法也被称为“树搜索”。这种“搜索式推理”系统隐约具备了人工智能的雏形，但在解决实际问题时却存在诸多困境。一旦“迷宫”过大，盲目式搜索（暴力计算）的效率过低，走完“迷宫”所花的时间就太长。鉴于人工智能1.0时代的计算效率低下，处理稍微复杂一些的问题时，盲目式搜索就显得力不从心了。
感知机（Perceptron）原理示意图
但感知机的局限性也很明显，其过于简单的结构在处理非线性问题时就力不从心了。明斯基和西蒙·派珀特（Seymour Papert）就对这一算法产生了强烈质疑。1969年，明斯基和派珀特合作撰写了《感知机：计算几何简介》（Perceptrons）一书，抨击感知机存在的两个关键问题：一是受硬件限制，感知机所需的超大计算量无法实现；二是感知机连最基本的布尔函数异或运算（XOR）都做不到。因为受到明斯基等“大牛”的严厉批评，连接主义此后并没有兴起太大的波澜，研究很快就陷入了沉寂。
在人工智能1.0时代，符号主义一派的许多技术突破，使得人们对人工智能的发展非常乐观，一些政府部门也乐于投资人工智能研发。例如，美国国家研究委员会资助了俄语论文翻译项目，DARPA开始无条件地资助麻省理工学院、卡内基梅隆大学和斯坦福大学等。但好景不长，人们很快就发现人工智能系统在解决实际问题时难以奏效，西蒙和纽厄尔等名家的许多美好预言都没有实现。

专家系统DENDRAL的工作流程
DENDRAL成功验证了费根鲍姆关于知识工程理论的正确性，不愧为人工智能研究的一个历史性突破。随后，费根鲍姆领导的研究小组就开始探索专家系统在其他人类专家知识领域的应用，成功为医学、工程和国防等部门研制出一系列实用的专家系统。其中，医学专家系统MYCIN最负盛名。20世纪70年代，斯坦福大学博士生爱德华·肖特立夫（Edward Shortliffe）在布鲁斯·布坎南（Bruce Buchanan）和费根鲍姆等人的指导下，利用LISP语言写出了用于诊断血液传染病的专家系统MYCIN。MYCIN具有450条规则，其推导患者病情的过程与专家的推导过程相似，因此可以在部分程度上替代人类。实验证明，MYCIN系统开处方的正确率达到了69%，这要比初级医师的表现更好，但与专业从事细菌感染的医师（正确率80%）相比还是差了一些。
尽管当时专家系统还有这样那样的缺陷，但其在很多特定领域已经达到了专家水平，具备了商业化潜质。1980年，卡内基梅隆大学给美国数字设备公司（DEC）设计了名为XCON（eXpertCONfigurer）的专家系统。作为当时的一家初创公司，DEC意图生产小型机来挑战行业巨头IBM。而配备XCON的小型机确实给了IBM当头一棒。当用户购买了DEC的VAX系列计算机时，XCON可以按照需求自动配置零部件，从而大幅降低公司的运营成本。到1986年为止，XCON每年可为公司节省大约4000万美元；到1988年为止，DEC公司已经部署了40个专家系统。可以说，XCON的成功为DEC公司的商业辉煌奠定了基础，而DEC的成功也成就了风险投资人。