下载掌阅APP，畅读海量书库
立即打开
虽然当前的机器学习是一种知识获取型的人工智能，但早期基于知识的系统（如由专家系统以及知识表示和概率推理所表示的）被认为是相对弱的人工智能程序。专家系统包括基于规则的推理和基于案例的推理（后者以先前类似问题的较好解决方案为例，找到新问题的解决方案）。这些方法不能大规模应用，也无法解决更大、更复杂的问题。20 世纪 50 年代至 80 年代末的符号人工智能也被称为有效的老式人工智能和与邋遢相对的“整洁”人工智能，其主要植根于对问题的符号表征，这是那个时代的主要思想流派。简言之，老式人工智能是基于自上而下的逻辑、问题解决和专家系统方法。
知识表征（包括最著名的例子，基于规则的模型）需要构建一种认知科学和通用本体，以覆盖许多知识领域，难度不小；知识表征的其他例子包括语义网络、框架和概念图。概率推理涉及各种技术，特别是通过条件概率来解释不确定性的贝叶斯网络来处理知识中的不确定性。自动推理也称自动推导，这是一种让计算机应用逻辑推理来解决问题的艺术与科学方法，比如证明定理、解决谜题、设计电路以及验证或合成计算机程序。自动推理被认为是人工智能的一部分，但没有部署典型的人工智能方法。
在人工智能的早期阶段，相对于老式人工智能的另一种选择是计算智能（即整洁或邋遢中的“邋遢”），它依赖于启发式算法，如在模糊系统、进化计算和神经网络中看到的那些。模糊系统基于模糊逻辑，分析 0 和 1 之间连续的模拟输入值（而非 0 或 1 的二分法）；该系统用于机器控制，并可应用于生物医学及其生理参数。基于进化生物学及自然选择过程，以遗传算法为例的进化计算涉及对解的优化过程。神经网络也是这种自下而上的人工智能方法的一部分。
在机器智能的早期阶段之后，由于过高的期望和现实之间的落差，出现了两个人工智能的“寒冬”（1974—1980 年和 1987—1993 年），导致了对人工智能的前景预估总体失望，随之而来的是相关项目的减少甚至中止资金支持。在两次人工智能寒冬之间有一次短暂的繁荣，专家系统和神经网络在此期间蓬勃发展。
[1] Marchant J. Decoding the heavens: a 2，000 year-old computer and the century-long search to discover its secrets. Cambridge，MA: Da Capo Press; 2009.
[2] Turing AM. On computable numbers，with an application to the entscheidungsproblem. Proc London Math Soc 193637;Series 2，42:23065.
[3] Copeland J. The essential Turing. Oxford: Oxford University Press; 2004.