约公元前4世纪

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体系，特别是三段论推理，为后世人工智能的逻辑推理基础提供了思想源头。据资料显示，亚里士多德将推理过程形式化为符号系统，这一思想在20世纪被计算机科学家重新发现并应用于自动定理证明领域。其著作中提出的“范畴”和“演绎”概念，为知识表示和机器推理奠定了理论基础。有观点认为，亚里士多德的逻辑学是西方理性主义传统的核心，直接影响了后来莱布尼茨、布尔等数学家的思想发展，而这些人正是现代计算机科学的重要先驱。

约13世纪

西班牙加泰罗尼亚哲学家和神学家拉蒙·柳利（Ramon Llull）发明了“伟大艺术”（Ars Magna）装置，这是一种通过旋转同心圆盘组合概念以产生新知识的机械装置。据资料显示，柳利试图通过这种机械方式证明基督教真理，但其方法论意义超越了宗教目的。有学者认为，柳利是“计算思维”的早期实践者，他设计的装置可视为知识表示和自动推理的雏形。柳利的思想影响了后来的莱布尼茨，后者曾明确表示受到柳利启发，希望创建一种“普遍符号系统”来解决所有争议。这一思想脉络被视为人工智能中知识表示和自动推理的历史先驱。

17世纪 ~ 18世纪

德国哲学家兼数学家戈特弗里德·威廉·莱布尼茨（Gottfried Wilhelm Leibniz）提出了“普遍符号系统”和“理性演算”的构想。据资料显示，莱布尼茨梦想创造一种通用的形式语言，能将所有人类知识表达为符号，并通过机械规则进行推理运算，从而解决任何争议。他发展了二进制算术系统，这一系统后来成为现代计算机的基础。莱布尼茨还制造了能够执行四则运算的步进计算器，展示了机械装置执行智能任务的可能性。有观点认为，莱布尼茨的这些构想直接预示了现代人工智能的核心目标——通过形式化符号系统模拟人类推理过程。

19世纪

英国数学家乔治·布尔（George Boole）在其著作《思维规律的研究》中创立了布尔代数，将逻辑推理数学化。据资料显示，布尔将逻辑中的“与”“或”“非”等操作转化为代数运算，为电子电路设计和计算机逻辑奠定了数学基础。几乎同一时期，英国数学家阿达·洛夫莱斯（Ada Lovelace）在与查尔斯·巴贝奇合作分析解析机时，提出了程序设计的原始概念，并写下了历史上第一个算法。有资料记载，洛夫莱斯曾预见性地指出“分析机不会创造任何东西，只能执行我们命令它做的事情”，这一观点引发了后世关于机器能否真正拥有创造力的持续讨论。

1943年

美国神经科学家沃伦·麦卡洛克（Warren McCulloch）和逻辑学家沃尔特·皮茨（Walter Pitts）在《数学生物物理学公报》上发表论文《神经活动中内在思想的逻辑演算》，提出了第一个人工神经元数学模型（M-P模型）。据资料显示，他们证明了这个简化的大脑神经元模型可以执行基本的逻辑功能，并理论上可以计算任何可计算函数。这一成果将神经生物学与数理逻辑联系起来，为人工神经网络和连接主义人工智能奠定了基础。有观点认为，这篇论文标志着理论神经科学和计算神经科学的诞生，直接启发了后来感知机和其他神经网络模型的发展。

1950年

英国数学家艾伦·图灵（Alan Turing）在哲学期刊《心灵》上发表论文《计算机器与智能》，提出了著名的“图灵测试”作为判断机器是否具有智能的标准。据资料显示，图灵在论文中预测到2000年时，计算机将有30%的概率通过5分钟的图灵测试（实际上这一预测过于乐观）。他还讨论了机器学习的可能性、创造力的定义以及反对机器智能的九种常见论点并逐一反驳。有学者认为，这篇论文不仅奠定了人工智能的哲学基础，还预见了后来人工智能研究的多个方向，包括自然语言处理、机器学习和知识表示。

1956年

在美国达特茅斯学院举行的为期两个月的夏季研究项目中，约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、克劳德·香农（Claude Shannon）和纳撒尼尔·罗切斯特（Nathaniel Rochester）等科学家首次正式提出“人工智能”这一术语。据资料显示，麦卡锡希望用一个听起来比“自动机研究”“复杂信息处理”等更吸引人的名称来定义这个新领域。会议提案中宣称“学习的每个方面或智能的任何其他特征，原则上都可以被精确描述，以至于可以用机器来模拟”。有观点认为，这次会议虽未产生突破性技术成果，但确立了AI作为一个独立研究领域的地位，并凝聚了早期研究社区。

20世纪50年代末 ~ 60年代初

早期人工智能程序集中出现，展示了机器在特定领域的问题解决能力。据资料显示，1956年，艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）开发了“逻辑理论家”程序，能够证明《数学原理》中的定理，这是第一个通过搜索树解决问题的人工智能程序。1959年，阿瑟·塞缪尔（Arthur Samuel）在IBM 701计算机上开发的跳棋程序实现了通过自我对弈提高棋艺，引入了机器学习的基本概念。同时期，约翰·麦卡锡开发了LISP编程语言，专门用于符号处理和人工智能编程。这些早期成就创造了乐观氛围，有资料记载，赫伯特·西蒙曾在1957年预测“在20年内，机器将能做任何人能做的工作”。

20世纪60年代 ~ 70年代

人工智能研究在符号主义范式下取得显著进展，但也遭遇了第一个“AI寒冬”。据资料显示，这一时期出现了TERESIAS、SHRDLU、ELIZA等著名AI系统。约瑟夫·魏泽堡（Joseph Weizenbaum）在1966年开发的ELIZA模拟罗杰斯派心理治疗师，展示了自然语言处理的表面能力，尽管其技术实质只是模式匹配。同时，专家系统开始兴起，如爱德华·费根鲍姆（Edward Feigenbaum）等人开发的DENDRAL化学分析系统。然而，马文·明斯基和西摩·派珀特在1969年出版的《感知机》一书中指出了简单神经网络的局限性，据资料显示，这导致连接主义研究资金大幅减少，加之早期AI承诺的过度乐观未能实现，引发了AI研究的第一次低谷。

20世纪80年代

专家系统商业应用兴起，同时连接主义研究复兴。据资料显示，日本提出“第五代计算机系统”计划，旨在开发能推理、理解和翻译的智能计算机，这促使美国和欧洲加大AI投资。专家系统如XCON（用于配置DEC计算机系统）在企业中成功应用，创造了显著经济效益。同时，大卫·鲁梅尔哈特（David Rumelhart）等人重新发现反向传播算法，解决了多层神经网络训练难题，连接主义研究重新获得关注。约翰·霍普菲尔德（John Hopfield）在1982年提出的霍普菲尔德网络展示了神经网络的联想记忆能力。有观点认为，这一时期的专家系统繁荣最终因维护成本高、知识获取瓶颈而降温，但为AI商业化积累了重要经验。

1997年

IBM的“深蓝”（Deep Blue）超级计算机击败国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov），标志着AI在特定领域的超越人类能力。据资料显示，深蓝是专门为下棋设计的系统，采用大规模并行计算和精心调优的搜索算法，每秒可评估2亿个棋局位置。比赛共六局，深蓝以3.5-2.5获胜，其中第二局被卡斯帕罗夫描述为“像上帝一样下棋”。有资料认为，深蓝的胜利主要依靠暴力计算而非人类式的智能，但其象征意义巨大，展示了计算机在明确规则领域超越人类的潜力。这一事件也引发了关于人类智能独特性的广泛公众讨论。

2011年

IBM的问答系统“沃森”（Watson）在美国益智节目《危险边缘》中击败两位人类冠军选手。据资料显示，沃森不像深蓝那样依赖暴力搜索，而是使用自然语言处理、信息检索、知识表示和推理技术来理解复杂问题并给出答案。系统访问了2亿页结构化和非结构化内容，包括维基百科全文。有观点认为，沃森的胜利展示了AI在理解和处理人类自然语言方面的进步，特别是在歧义消除和上下文理解上的能力。沃森后来被应用于医疗诊断辅助等领域，但其商业应用效果存在争议。这一事件也引发了关于AI处理不精确信息和常识推理能力的讨论。