约公元前300年

古希腊哲学家亚里士多德在其著作《工具论》中，系统阐述了形式逻辑，特别是三段论推理。这为后世基于规则的符号化推理系统奠定了理论基础，被认为是早期“思维法则”的探索。亚里士多德试图将人类思维过程形式化，用一套符号和规则来模拟推理。这一思想对中世纪经院哲学和后来的莱布尼茨、布尔等人产生了深远影响。有观点认为，亚里士多德的工作是人工智能思想在哲学层面的最早萌芽之一，因为它涉及用机械规则来复制人类智能的某个方面。不过，当时的技术条件完全无法实现任何计算装置，这只是一种纯粹的理论构想。

17世纪

这一时期，多位哲学家和数学家为形式化思维和计算奠定了基石。17世纪，法国哲学家兼数学家勒内·笛卡尔提出了身心二元论，并认为动物是“自动机”，这引发了对生命和思维能否被机械化的思考。德国哲学家兼数学家戈特弗里德·威廉·莱布尼茨进一步发展了形式逻辑，梦想创造一种“通用符号”和“推理演算”，通过计算来解决所有争论，这被视作“符号人工智能”的遥远先声。19世纪，英国数学家乔治·布尔创立了布尔代数，用代数方法研究逻辑问题，为数字电路和计算机逻辑设计提供了数学基础。同时，英国数学家兼发明家查尔斯·巴贝奇设计了分析机（尽管未能建成），其助手爱达·洛夫莱斯为其编写了算法，并指出机器只能执行指令，不能“原创”，这触及了AI关于“创造力”的核心辩论。这些思想共同构成了人工智能诞生前在逻辑、计算和自动化思维方面的理论准备。

1943年

美国神经科学家沃伦·麦卡洛克和逻辑学家沃尔特·皮茨发表了论文《神经活动中内在思想的逻辑演算》。他们提出了一种简化的大脑神经元数学模型，即“M-P神经元模型”。该模型将神经元抽象为一个阈值逻辑单元：接收多个输入信号，加权求和后，若超过某个阈值则产生输出（“兴奋”），否则不输出（“抑制”）。这篇论文首次展示了神经网络可以进行逻辑运算，从而将神经生物学与形式逻辑联系起来，为后来的人工神经网络研究奠定了理论基础。据资料显示，这篇论文影响深远，启发了包括约翰·冯·诺依曼、诺伯特·维纳在内的众多科学家，被认为是连接主义人工智能路径的开端。然而，该模型过于简化，忽略了生物神经元的许多复杂特性。

1950年

英国数学家、逻辑学家艾伦·图灵在哲学期刊《心灵》上发表了划时代的论文《计算机器与智能》。他在文中提出了著名的“图灵测试”：如果一台机器能够通过文本对话，让人类评判者无法区分其与真人的区别，那么就可以认为这台机器具有智能。图灵还预见了对机器智能的诸多反对意见（如“数学异议”、“意识异议”等）并逐一进行了反驳。他讨论了学习机的可能性，并预测到20世纪末，计算机有30%的概率能通过5分钟的图灵测试。这篇论文没有涉及具体实现，而是从哲学和概念上定义了“机器智能”这一领域，为人工智能学科确立了目标和检验标准，被公认为人工智能领域的奠基性文献。

1956年

在美国达特茅斯学院，约翰·麦卡锡（会议发起人）、马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特等学者组织了一场为期约两个月的夏季研讨会。会议提议书中首次使用了“人工智能”（Artificial Intelligence）这一术语。与会者乐观地认为，智能的每一个方面都可以被精确描述，从而制造出机器来模拟它。会议讨论了自动计算机、编程语言、神经网络、计算规模理论、自我改进、抽象和随机性等主题。虽然会议本身并未产生突破性技术成果，但它正式确立了“人工智能”作为一个独立的研究领域，聚集了该领域的核心先驱，并设定了早期研究议程。因此，1956年达特茅斯会议被广泛认为是人工智能诞生的标志性事件。

20世纪50年代末至60年代中期

人工智能诞生后的第一个十年充满了乐观与初步成果，被称为“黄金时代”。研究者们在多个方向取得进展：艾伦·纽厄尔、赫伯特·西蒙和克利夫·肖开发了“逻辑理论家”程序，能够自动证明《数学原理》中的定理，被认为是第一个AI程序。随后他们又开发了更具通用性的“通用问题求解器”。约翰·麦卡锡在1958年发明了LISP编程语言，成为此后数十年AI研究的主流语言。马文·明斯基在《步骤走向人工智能》的报告中综述了早期成果。亚瑟·塞缪尔开发了跳棋程序，并通过自我对弈提升水平，演示了机器学习。这些早期成功，加上政府和机构（如美国国防高级研究计划局DARPA）的资金支持，使研究者们普遍乐观，明斯基甚至在1967年预言“一代人之内，创造人工智能的问题将得到实质性解决”。

20世纪70年代

由于早期过于乐观的预期未能实现，人工智能遭遇了第一个“寒冬”。研究者发现，许多看似简单的任务（如视觉、自然语言理解、常识推理）对机器而言极其困难。詹姆斯·莱特希尔爵士受英国政府委托撰写的报告（1973年）严厉批评了AI未能实现其宏伟目标，导致英国大幅削减AI研究经费。同时，感知机（一种简单神经网络）被马文·明斯基和西摩·帕佩特在《感知机》一书中证明其存在根本性局限（如无法处理“异或”问题），这严重打击了神经网络研究。美国DARPA也因对连续语音识别项目的失望而削减资助。这些因素共同导致AI研究资金萎缩、进展缓慢，领域进入低潮期。这一阶段表明，AI问题的复杂性远超最初的想象。

20世纪80年代

人工智能研究在商业模式和专家系统推动下迎来复兴。爱德华·费根鲍姆等人倡导的“知识工程”成为主流，其核心是“专家系统”——通过将人类专家的知识和经验规则编码到计算机中，在特定领域（如医疗诊断、化学分析、地质勘探）提供专业水平的建议。例如，斯坦福大学的MYCIN系统能诊断血液感染疾病，R1/XCON系统能为DEC公司配置计算机订单。日本通产省发起“第五代计算机”项目，旨在开发能进行逻辑推理的智能计算机。商业公司（如Symbolics, Lisp Machine Inc.）专门生产运行LISP的AI工作站。风险投资涌入，产业初步形成。然而，专家系统维护困难、知识获取瓶颈（“知识获取瓶颈”）以及无法处理常识问题，为下一次低谷埋下伏笔。

1986年

大卫·鲁梅尔哈特、杰弗里·辛顿和罗纳德·威廉姆斯发表了论文《通过误差反向传播学习内部表示》，重新普及并改进了反向传播算法。该算法能够有效地训练多层神经网络（后来被称为“深度学习”），解决了单层感知机的部分局限。反向传播通过计算网络输出与目标之间的误差，并将误差逐层反向传播以调整网络中的连接权重，使得训练深层网络成为可能。这一突破，加上并行分布式处理（PDP）研究小组的推动，引发了神经网络研究的第二次浪潮。尽管此时计算机算力和数据规模仍有限，但反向传播为20年后深度学习的爆发奠定了关键算法基础。有观点认为，这一工作标志着连接主义路径在经历寒冬后开始复苏。

20世纪80年代末至90年代初

专家系统的局限性日益凸显，维护成本高昂且难以扩展，未能兑现商业承诺。同时，台式个人计算机（如IBM PC）性能提升且价格低廉，冲击了昂贵的专用LISP机器市场。日本“第五代计算机”项目最终未能实现其雄心勃勃的目标。这些因素导致AI产业泡沫破裂，商业投资急剧减少，政府资助转向，人工智能研究进入第二次“寒冬”。这次寒冬促使研究者反思，并探索更务实、与特定应用结合的研究路径。例如，基于概率论和统计学的机器学习方法开始受到更多关注，这为AI从基于规则的符号主义向基于数据的机器学习范式转变埋下了伏笔。

1997年

IBM开发的“深蓝”超级计算机在一场六局比赛中，以3.5:2.5的比分击败了当时的世界国际象棋冠军加里·卡斯帕罗夫。深蓝是专为国际象棋设计的系统，采用大规模并行计算，每秒可评估2亿个棋局位置，并结合了精心调校的评估函数和开局库。这场比赛在全球范围内被广泛报道，被视为人工智能里程碑式的事件，展示了计算机在复杂智力游戏中超越人类顶尖水平的能力。它引发了关于机器智能的广泛公众讨论。然而，学界普遍认为深蓝主要依靠强大的暴力计算和人类编程的象棋知识，而非通用的学习或理解能力。有观点认为，这一胜利标志着“蛮力计算”在特定领域的成功，但并未解决AI的核心智能问题。