在人工智能的黄金时代，AI程序和新研究方向如雨后春笋般涌现。20世纪60年代，人工智能迎来了第一次热潮，自然语言处理和人机对话技术开始崭露头角。早期的研究主要聚焦于逻辑描述和通用问题求解。到60年代末，爱德华·费根鲍姆（Edward Feigenbaum）推出了首个专家系统DENDRAL，并对知识库进行了初步定义，为后来的第二次人工智能浪潮奠定了基础。然而，尽管技术进步显著，这一时期公众对人工智能的热情却逐渐减退。模式识别（Pattern Reition）在一九六一年，由Leonard Merrick Uhr和 Charles M. Vossler发表了题为《A Pattern Reitiram That Gees， Evaluates and Adjusts its Owors》的论文，探讨了一种利用机器学习或自组织过程设计模式识别程序的尝试。该程序在启动时不仅不知道要识别的特定模式，而且没有任何处理输入的运算符。相应的算符由程序自主生成和提炼，它们既是问题空间的函数，又是影响处理结果成功与否的关键因素。程序不仅学习不同模式的信息，还在一定程度上学习或构造适合分析特定模式集的二级代码。这被认为是第一个机器学习程序的开创性工作。机器学习这一术语是由IBM员工、计算机游戏和人工智能领域的先驱Arthur Samuel于一九五九年年创造的。在这一时期，“自学计算机”这一同义词也被广泛使用。在一九五零年以前，统计方法得到了发现和改进，在一九五零年的时候，早期的机器学习研究主要采用简单的算法进行。

一九六六年，麻省理工学院的计算机科学家Joseph Weizenbaum在ACM上发表了一篇题为《ELIZA：一个研究人机自然语言交流的计算机程序》的文章。文章介绍了ELIZA这一程序如何使人与计算机之间能够进行一定程度的自然语言对话。Weizenbaum开发了这个早期的聊天机器人，旨在模仿心理医生，以便在临床治疗中使用。ELIZA的技术实现基于关键词匹配，通过对输入内容进行分析，并根据相应的重组规则生成回复。简单来说，它将输入语句分类，并转化为合适的输出。尽管ELIZA的设计相对简单，但Weizenbaum对其表现感到惊讶，因此他撰写了《计算机的能力和人类的推理》一书，表达了他对人工智能的深刻思考。ELIZA的影响力甚至使得现代助手Siri也称她为“心理医生”，并视其为自己的启蒙老师。

一九六八年，在美国国家航空航天局的要求下，爱德华·费根鲍姆（Edward Feigenbaum）提出了首个专家系统DENDRAL，并对知识库进行了初步定义，这为后来的第二次人工智能浪潮奠定了基础。然而，在这一时期，公众对人工智能的热情逐渐减退，发展进入了长达近十年的“寒冬”。DENDRAL系统蕴含了丰富的化学知识，能够根据质谱数据帮助化学家推断分子结构，其完成标志着专家系统的诞生。随后，麻省理工学院开始研发MACSYMA系统，经过不断扩展，最终能够解决600多种数学问题。如今，专家系统（Expert System，简称ES）已成为人工智能（Artificial Intelligence，简称AI）的一个重要分支，与自然语言处理和机器人学并列为AI的三大研究方向。

二十世纪八十年代初期左右，人工智能迎来了第二次浪潮。该时期的代表性成果包括一九七六年兰德尔·戴维斯（Randall Davis）构建和维护的大规模知识库，以及一九八零年德鲁·麦狄蒙（Drew McDermott）和乔恩·多伊尔（Jon Doyle）提出的非单调逻辑，此外，还有后期出现的机器人系统。

在一九八零年的时候，汉斯·贝利纳（Hans Berliner）开发的计算机战胜双陆棋世界冠军，成为了这一时期的标志性事件。随后，在罗德尼·布鲁克斯（Rodney Brooks）和R. Sutton等人的推动下，基于行为的机器人学迅速发展，成为人工智能的重要分支。格瑞·特索罗（Gerry Tesauro）等人研发的自我学习双陆棋程序，为后来的增强学习奠定了基础。在机器学习算法方面，这一时期可谓百花齐放。杰弗里·辛顿（Geoffrey Hinton）等人提出的多层感知机解决了感知机在非线性分类上的局限；朱迪亚·珀尔（Judea Pearl）倡导的概率方法和贝叶斯网络为后来的因果推断奠定了基础。此外，机器学习方法在机器视觉等领域也取得了显著进展。

一九七五年，马文·明斯基（Marvin Minsky）在论文《知识表示的框架》（A Framework for Representing Knowledge）中提出了框架理论，旨在人工智能中的知识表示。明斯基的框架不仅仅是一种理论，它在数据结构上有其简单的一面，但在概念上却相当复杂。该理论关注人们在理解事物情境或事件时的心理模型，将框架视为知识的基本单位，通过将相关框架连接起来，形成框架系统。在这个系统中，不同框架之间可以通过共享节点相互连接，系统的行为则由子框架的具体功能实现，推理过程则依赖于这些子框架的协调。框架理论与人工智能中的面向对象程序设计有一定相似之处，其成功之处在于利用框架结构有机整合知识，赋予其特定的结构约束，同时保持相对的独立性和封闭性。明斯基的框架理论体现了模块化思想和基于实例的认知推理，这为其理论增添了持久的吸引力，也使得认知哲学家对此产生了浓厚的兴趣。作为认知可计算主义的核心代表，明斯基将心智与计算机进行类比，把认知过程视为信息处理过程，并将所有智能系统理解为物理符号系统。这种视角使人们能够在环境与心智之间的信息流中分析问题，赋予心智研究更严格的实验基础。然而，这一机械性的方法也显现出明显的缺陷。此外，框架与软件工程中的面向对象语言中的“类”有相似之处，尽管两者的基本设计目标有所不同。

启发式搜索（Heuristic Search）是人工智能领域的重要概念之一。道格拉斯·勒纳特（Douglas Lenat），生于1950年，是德克萨斯州奥斯汀市Cycorp公司的首席执行官，他一直是这一领域的杰出研究者。他的研究涵盖了机器学习（包括AM和Eurisko程序）、知识表示、黑板系统以及“本体工程”（在MCC和Cycorp的Cyc项目中）。此外，勒纳特还参与军事模拟，并对传统的随机突变达尔文学说提出了批评，基于他在尤里斯科项目中的经验。他是美国人工智能协会（AAAI）的创始成员之一。勒纳特在宾夕法尼亚大学获得数学和物理学的学士学位，并于1972年获得应用数学的硕士学位。1976年，他在斯坦福大学获得博士学位，并发表了论文《数学中发现的人工智能方法——启发式搜索》。该论文介绍了一个名为“AM”的程序，它模拟了初等数学研究的某些方面。AM通过大量启发式规则开发新数学概念，这被视为一种智能行为，而非简单的成品。程序利用议程机制，通过全局任务列表和每个任务的合理推理进行协调。每个任务可以引导AM定义新概念、探索现有概念的某一方面，或检查经验数据的规律性。AM会反复从议程中选择支持理由最充分的任务并执行。每个概念都是一个活跃的、结构化的知识模块。最初，程序提供了一百个不完整的模，每个模对应一个基本的集合论概念（如并集），这为AM提供了一个明确而广阔的探索空间。随着时间的推移，AM不断扩展其知识库，最终重新发现了数百个常见的数学概念和定理。