把思考，
写成程序。

罗森布拉特在 1957 年报告及 1958 年论文中发展感知机，用可调整的权重完成分类。机器从示例中改变决策边界，为神经网络学习提供了早期、可操作的模型。

感知机把输入加权求和，再依据阈值给出分类；训练中的错误用来调整权重。其能力受模型结构和数据条件约束，单层线性分类器无法表示异或等线性不可分关系。它是学习机器的重要先驱，但并非历史上第一个能够学习的程序或装置。

纽厄尔、西蒙与肖发展通用问题求解器 GPS，尝试把解题策略与具体领域的知识分开。系统通过比较当前状态和目标，选择可缩小差距的操作，并继续处理新的子目标。

这种手段—目的分析把人类解题过程转化为搜索程序，让同一框架能够处理不同的形式化任务。不过，“通用”仍以人工给定的状态、操作和目标表示为前提。问题规模扩大后，搜索空间与知识表示仍是困难；它并未提供解决现实中一切问题的方法。

麦卡锡在 1958 年开始设计 LISP，随后用论文阐述递归函数与符号表达式。列表和递归让程序能够便利地处理公式、规则和程序本身，适合早期 AI 的符号操作。

LISP 的表达式既可作为数据存储，也可由程序解释执行。这种统一使搜索、推理和语言处理系统较容易构造，也影响了后来的编程语言。1958 年是设计起点，经典论文发表于 1960 年；垃圾回收等实现技术也有各自的发展过程，不应全部压缩为一次发明。

1959 年，IBM 的塞缪尔发表跳棋机器学习研究，讨论程序如何利用已有对局和自我对弈改进表现。论文标题中的“机器学习”，成为这一研究方向早期的重要命名。

程序并非没有人为设计：棋盘表示、合法走法、搜索与评估机制仍由研究者构建。学习的作用是在这一框架内改善判断，而非由空白机器自行发现所有规则。这个案例说明，经验可以参与程序的改进；它也提醒我们区分学习机制与完成任务所需的其他工程。

1963 年，MIT 在 ARPA 支持下启动 Project MAC，研究分时计算及机器辅助认知等方向。人工智能小组处于这一更广泛的计算研究环境中，公共资助扩大了探索的空间。

Project MAC 并不等同于 1963 年新建的独立 AI 实验室；MIT 的 AI 研究已有基础，后来的组织也经历分合。稳定的计算资源和研究资助为长期实验提供条件，但不能据此断言所有资金都没有考核，或整个美国 AI 研究由单一机构控制。

1960 年代中期，斯坦福的 DENDRAL 团队把化学知识与搜索结合，利用质谱等证据约束候选分子结构。它代表了一种务实转向：解决具体问题，往往需要具体领域的知识。

DENDRAL 的发展依靠计算机科学家与化学家的合作，包括费根鲍姆、莱德伯格、布坎南等人。程序并不是凭一般推理能力自动发现化学，而是把专业约束纳入候选生成与检验。其经验推动了知识工程：如何获取、表示和运用领域知识，成为系统设计的核心问题。

1966—1972 年，斯坦福研究院开发 Shakey 移动机器人，尝试把视觉、环境表示、任务规划与运动连接起来。它在简化环境中执行任务，使 AI 从屏幕走向物理空间。

Shakey 使用摄像机等传感器观察周围，借助计算机建立环境表示，再规划并执行移动等动作。研究催生了重要的规划与搜索方法。它的运行速度和环境适应性都有限，因此这里强调系统集成与研究贡献，不把它描写成已经能自由理解口语并在现实世界通用行动的机器人。

魏岑鲍姆于 1966 年发表 ELIZA 论文，展示通过关键词与变换规则生成对话的程序。DOCTOR 脚本借鉴非指导式心理治疗的问答形式，令简单规则也能产生连贯的交流印象。

系统识别输入中的词语或结构，再按脚本重新组织回应。它并没有因此获得临床判断或对用户经历的理解。ELIZA 的历史意义既在自然语言接口，也在人与系统的关系：流畅的回应可能让使用者高估程序能力，观察对话效果需要同时了解背后的机制。

明斯基与帕珀特于 1969 年出版《感知机》，系统分析一类感知机模型的能力与局限。它让关于网络能做什么的讨论更加具体，但并未证明所有神经网络都不可行。

单层线性分类器无法表示异或，是理解模型表达能力的常见例子；书中的分析也涉及更广的计算几何问题。网络结构、训练算法与资源限制是不同层面的困难。后来研究环境的变化不能只归因于一本书，也不宜把其后数十年的连接主义工作概括为完全中断。

1973 年出版的莱特希尔报告对英国 AI 研究提出批评，特别关注组合爆炸和从小型演示到现实问题的落差。围绕报告的公开争论，成为早期 AI 研究与资助政策的一次转折。

研究者对报告的分类方式与结论提出反驳，争论涉及哪些问题值得研究、应如何判断进展。它与当时的资助调整一起，构成后来“AI 寒冬”叙事的重要材料。各国、各实验室的经历并不相同，不能据此写成全球研究同时停摆十年或大多数实验室关闭。