在机器之前，
先有一个问题。

1936 年，图灵用纸带、读写头和有限状态描述计算过程，并讨论通用机器与不可判定问题。这不是一台实际建造的电脑，而是一种研究计算能力及其边界的数学模型。

图灵把一步步按规则进行的运算抽象为可分析的对象：机器读取符号、改变状态，再移动纸带。通用机器能够模拟其他这类机器，但并非每个数学问题都能由算法解决。论文为计算理论奠定基础；它没有证明任何物理过程或人类思维都可被数字计算完整模拟。

麦卡洛克与皮茨在 1943 年把神经元简化为全或无的活动单元，用逻辑表达式研究网络的行为。这种抽象把神经活动与形式计算联系起来，成为人工神经网络的重要思想来源。

论文研究的不是完整生物神经元，而是在一组明确假设下运作的数学单元。若输入满足条件，单元便激活；多个单元可组成执行逻辑运算的网络。这样的模型说明了网络结构与计算之间的联系，但尚未给出今天依靠数据训练权重的通用学习算法。

维纳于 1948 年出版《控制论》，以控制、通信和反馈研究动物与机器的行为。恒温器、伺服机构与神经系统被放进同一套问题框架，智能研究由此得到重要的跨学科语言。

反馈系统会把输出或环境变化重新作为输入，用来修正后续行动。维纳借此讨论稳定、通信和有目的行为，将工程、数学与生命研究联结起来。控制论对早期机器智能研究影响深远，但它与后来以符号推理为主的 AI 既有交集，也有不同的研究传统。

赫布在 1949 年《行为的组织》中提出，若一个细胞反复参与激活另一细胞，两者的连接效能可能增强。这一神经可塑性假说，为通过改变连接来解释学习提供了重要思路。

后来常见的“一起放电，连在一起”是对赫布思想的概括，并非书中的逐字原句。赫布提出的是关于细胞活动与连接变化的假说，而不是现成的软件训练算法。后来的赫布式学习规则把这一思想数学化，但不能把所有网络权重更新都归为同一个机制。

1950 年，图灵在《计算机器与智能》中提出模仿游戏，尝试把“机器能思考吗”转化为可讨论的行为问题。文字对话成为观察机器表现的一种方式，却不是智能的唯一判据。

论文既讨论对机器智能的反对意见，也设想学习机器与类似教育的训练过程。模仿游戏强调观察到的对话表现，不能直接回答机器是否具有意识、理解或全部人类能力。它长期影响公众与研究者的讨论，但没有统一整个 AI 学科的目标或评测标准。

1951 年，明斯基参与建造神经网络模拟器 SNARC，探索简单网络如何在反馈中改变行为。这类早期硬件实验，让学习不再只是纸面上的假说，也成为可观察的机器过程。

SNARC 属于早期神经网络模拟装置，研究重点是通过反馈形成行为，而非执行今天的大规模神经网络训练。它展示了一条不同于符号推理的研究路线：先构造彼此连接的简单部件，再观察整体行为如何变化。此处不沿用缺少可靠档案支撑的元件数量和“通用首台”排行。

纽厄尔、西蒙与肖在 1955—1956 年发展逻辑理论家，用符号表示与启发式搜索寻找逻辑定理的证明。1955 年末已有手工模拟，能够运行的程序则出现在 1956 年。

逻辑理论家的关键不只是计算速度，而是用启发式规则缩小搜索空间，优先尝试更有希望的证明路径。它是早期符号 AI 的代表。原稿将构思、手工模拟、程序运行和后续证明成绩压在同一月份；这里按发展过程呈现，避免把 1955 年当作所有成果的完成日期。

1956 年夏，达特茅斯研讨会聚集了研究机器智能的学者。“人工智能”这一名称已经出现在麦卡锡等人于 1955 年 8 月写成的提案中，会议后来成为该领域的重要历史标志。

提案把语言、抽象、问题求解与自我改进列为研究方向，并计划开展两个月的合作。实际参加者到达时间与停留长度各不相同，研究兴趣也并未完全统一。它的重要性在于为一组相关问题建立共同名称与研究网络，而不是一次会议就完成了统一理论或固定学科边界。