以人工智能的历史为主线，可以将过去70余年人工智能研究的发展分为几个阶段：
人工智能的诞生（1943-1956）：20世纪40年代和50年代，来自不同领域的（数学、心理学、经济学学和政治学）的科学家开始探讨制造人工大脑的可能性，1956年，人工智能在达特茅斯会议被确立为一门学科。

这一阶段，产生了影响至今的实现人工智能的两种思路：一种认为实现人工智能必须用逻辑和符号系统，这种思路看问题是自顶向下的；另外一种思路认为通过仿造大脑可以达到人工智能，这种思路是自底向上的，认为如果能造一台机器，模拟大脑中的神经网络，这台机器就有智能了。

图灵测试：1950年，图灵发表了一篇划时代的论文，文中预言了创造出具有真正智能的机器的可能性，并且提出了图灵测试，判断机器是否能像人类一样思考。图灵认为，如果一台机器和人类进行问答测试，如果5分钟内30%的讯问者无法区分这是计算机和人类，那么计算机就是通过了图灵测试。

人工智能的黄金发展期（1956-1974）：达特茅斯会议后，政府机构向这一新兴领域投入了大量资金，人工智能的研究快速发展，从20世纪50年代末期到70年代涌现了大批成功的AI程序和新的研究方向，奠定了现代AI的一些研究基础。研究者表达出相当乐观的情绪，认为具有完全智能的机器将在二十年内出现。

搜索式推理：许多AI程序使用相同的基本算法，为实现一个目标（例如赢得游戏或证明定理），它们一步步地前进，就像在迷宫中寻找出路一般；如果遇到了死胡同则进行回溯，这就是“搜索式推理”。

自然语言：使机器能够通过自然语言（如英语）进行交流成为一个重要的研究方向，早期的一个成功范例是DanielBobrow的程序STUDENT，它能够解决高中程度的代数应用题。

第一次AI低谷（1974-1980）：到了70年代，此前的过于乐观使人们期望过高，当研究者的承诺无法兑现时，对AI的资助就缩减或取消了，陷入了第一次AI低谷。

研究者们遭遇了无法克服的基础性障碍，包括1）计算机的运算能力，当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题；2）常识与推理，许多重要的AI应用，例如机器视觉和自然语言，都需要大量对世界的认识信息，1970年没人能够做出如此巨大的数据库。由于基础性的障碍，神经网络的研究进入了低谷。

人工智能初步进入应用阶段：80年代开始，一类名为“专家系统”的AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。

专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题，AI才开始变得实用起来。1980年CMU为DEC（DigitalEquipmentCorporation，数字设备公司）设计了一个名为XCON的专家系统，这是一个巨大的成功。在1986年之前，它每年为公司省下四千万美元。全世界的公司开始开发和应用专家系统。

神经网络的重生：1982年，物理学家JohnHopfield证明一种新型的神经网络（称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。大约在同时（早于PaulWerbos），DavidRumelhart推广了“反传法（En:Backpropagation）”，一种神经网络训练方法。这些发现使1970年以来一直遭人遗弃的神经网络重获新生。1986年由Rumelhart和心理学家JamesMcClelland主编的两卷本论文集“分布式并行处理”问世，这一新领域从此得到了统一和促进。90年代神经网络获得了商业上的成功，它们被应用于光字符识别和语音识别软件。

第二次AI低谷（1987-1993）：类似第一次低谷，对专家系统的狂热追捧，不久后人们转向失望。从80年代末到90年代初，AI遭遇了一系列财政问题。

XCON等最初大获成功的专家系统维护费用居高不下。它们难以升级，难以使用，脆弱（当输入异常时会出现莫名其妙的错误），专家系统的实用性仅仅局限于某些特定情景。

人工智能进入全新的发展时代（1993-至今）：90年代以后，随着计算机的技术与互联网技术的快速发展，人工智能发展的障碍逐步消除，人工智能被应用于越来越多的领域当中，如金融、医疗、自动驾驶等等。

计算机技术快速发展：计算机运算性能快速提升，且成本下降速度更快，人工智能需要的计算机的基础性障碍已被逐渐克服。1997年5月11日，IBM开发的深蓝成为战胜国际象棋世界冠军卡斯帕罗夫的第一个计算机系统，成为人工智能史上的一个里程碑。

微处理器的运算性能每1.8年翻一倍图

 

微处理器成本每1.1年下降一半