20 世纪中叶的许多出版物证明了提问者的说法，即在那个时期人们普遍认为人工智能会很快变得有意识、有自我意识和聪明。

巨大的成功

许多任务和专业知识形式曾经是人类智能的专属领域，在冯诺依曼通用计算架构发展之后，到那个世纪末，或多或少成为计算机的专属领域。这些只是几个例子。

• 科学和统计计算
• 制图和制造过程自动化（CAD 和 CAM）
• 出版和排版
• 某些形式的代数和微积分减少（Maxima 及其衍生物）
• 电路分析
• 精湛的棋盘游戏
• 有利可图的股票投机
• 模式识别（OCR、指纹、语音识别、分类、地形）
• 谓词逻辑和递归谓词编程
• 策略评估

失望（到目前为止）

与这一系列令人印象深刻的成功形成对比的是，同样长的一系列失败的期望。

• 消费者可用的双足机器人
• 自动真空清洁（这个答案的作者非常失望）
• 自主机械厂工人
• 自动化数学家（创造性假设生成和证明/反驳以扩展理论）
• 自然语言理解
• 服从任意命令
• 对话中的人性化表达
• 自动化技术创新
• 计算机道德
• 人类（或至少哺乳动物）的情绪状态
• 阿西莫夫三定律操作系统
• 在任意和不断变化的领域中制定自适应策略

域和无域的区别

什么时候可以清楚地知道，设计掌握国际象棋等游戏的程序会导致软件设计仅适用于为其编程的游戏？

尽管公众可能认为控制论国际象棋大师在其他方面也比人类更聪明，但那些创建这些程序的人很清楚开发在国际象棋硬编码方面表现出卓越的软件和开发表现出能力的软件之间的区别学习国际象棋，从新手迭代发展卓越。

最终目标一直是高能通用智能。制定了更多短期可实现的目标，以促进向投资者展示进展。这是维持来自军方的源源不断的研究资金的唯一途径。

第一个里程碑是在没有机器学习的情况下掌握单个游戏。然后研究转向领域知识的构建，以便在战争期间实时实现一类解决方案、适应和规划形式。随着 20 世纪第三季度经济统治变得比军事统治更可取，人工智能的愿景扩大到包括经济和自然资源管理领域。

考虑一下自动化成熟度的范围。

• 一个程序，它在国际象棋游戏的每一回合中枚举当前移动顺序的可能性，消除每个预计移动点可能出现的错误移动，并选择最有可能导致获胜的下一步移动
• 一个执行上述操作但也基于已知获胜国际象棋策略的模式识别来扭曲概率的程序
• 一个程序，设计为运行时优化的规则引擎，集中和抽象任意游戏的冗余操作，隔离和聚合国际象棋规则、国际象棋策略、国际象棋模式和反模式的表示
• 一个程序，给定一组游戏规则，可以根据任何游戏状态生成下一步动作，记住成功和失败结果以及导致这些结果的顺序，并有能力评估可能的损失或收益个人的走法和周围时空的博弈模式，根据历史，再利用这些能力学习任意棋局，通过学习达到高手下棋的水平
• 一个学习如何学习游戏的程序，这样，在学习了几个游戏之后，它可以比有智力的人更快地学习国际象棋

第一个很容易。最后一项极具挑战性。

当自动化成熟度的这些阶段之间的区别变得明显时，人们变得多么清楚研究小组是一个复杂的概率函数的那些区别。

主要贡献者

谁是第一个认识到类人通用智能和特定领域智能之间区别的人？

Norbert Wiener 可能是第一个深刻理解继电器电子控制（由 Claude Shannon 进行了理论研究）和闭环控制之间区别的人。在他的著作《控制论》（主要是数学著作）中，他准确地为自我纠正和自适应系统奠定了基础。约翰·冯·诺依曼理解编程好的游戏玩法和人类学习好的游戏玩法之间的区别，并发表了很多关于这个主题的文章。

实际上是 Arthur Lee Samuel 写了第一个令人印象深刻的关于游戏软件和机器学习之间区别的演示。正是他将维纳的工作与当代数字计算机联系起来，并首先创造了机器学习一词。

对真实研究和创新的歪曲重述

人工智能革命：通往超级智能之路博主蒂姆·厄本 (Huffington Post, THE BLOG, 发布于 2/10/ 2015，2015 年 4 月 12 日更新），在 AI Stack Exchange 的多个地方被引用，但这些类别之间的区别没有精确定义，其中包含的想法既没有同行评审，也没有得到其他研究或统计数据的验证。

这部作品的猜想不亚于平庸的科幻小说——娱乐性足以获得一些人气，但不是从可重复的实验或随机研究中得出的合理结论。文章中提供的趋势图是发明的形状，而不是实际数据的图形表示。

之后可能会发现其中一些材料包含一些真实性，例如对科学研究的许多外行解释或科幻小说作者的未来主义思想。然而，许多材料导致误解和错误断言。

我希望这个问题的一个非常精确的答案可能会随着时间的流逝而消失，尽管我希望有人能给出这样的答案。与此同时，这里有一条线索……这本 2007 年的论文选集以以下简介开头：

我们创建这本编辑卷的目标是填补科学文献中的明显空白，通过对当代研究主体的连贯介绍，尽管这些研究具有不可或缺的重要性，但迄今为止在科学和知识界。这组作品以前没有名字；在本书中，我们将其命名为“通用人工智能”（AGI）。AGI 工作与普通“人工智能”研究的区别在于，它明确关注短期内的工程通用智能。

但是，即使这是“通用人工智能”这一特定短语的起源，我很确定人们更早之前就已经对“通用智能”和“特定任务”技术进行了区分。

关于 AGI 的 Wikipedia 文章也有一条线索，其中指出：

然而，在 1970 年代初期，研究人员明显低估了该项目的难度。资助人工智能的机构对强大的人工智能持怀疑态度，并使研究人员面临越来越大的压力，要求他们生产有用的技术或“应用人工智能”。

该部分引用这本书作为对该声明的支持。事实上，它包含以下措辞：

尽管人工智能领域的大多数创始人继续研究人类和机器智能的基本问题，但他们的一些学生和其他第二代研究人员开始寻求使用人工智能方法和方法来解决现实世界问题的方法。他们的举措很重要，不仅就其本身而言，还因为它们表明了资助环境正在向更多应用研究领域发生渐进但重大的变化。专家系统的开发，例如 SAIL 的 DENDRAL，仅提供了这一趋势的一个例子。

鉴于 DENDRAL 开始于 1965 年左右，一些重要的研究人员（或至少资助者）似乎在 1960 年代末的某个地方强烈意识到“通用智能”和“应用人工智能”研究之间的区别。如果你继续阅读，其他段落支持 DARPA 特别是在整个 1970 年代开始推动一种更“应用”的人工智能研究方法的观点。

所以，不是一个明确的答案，但看起来我们可以说这种区别至少在 1970 年是已知的并被考虑在内，尽管使用“人工智能”这个确切的术语似乎是最近才出现的。

1973 年，英国政府聘请詹姆斯·莱特希尔爵士委托对人工智能状况进行“全面调查”。他的报告是对当前人工智能研究的谴责，引发了人工智能科学家和第一个人工智能冬天的悲观情绪。您可以在这里查看 Lighthill 的报告（以及对他报告的当代批评），但我将总结 Lighthill 的要点。

James Lighthill 爵士将 AI 分为三类：

1. 高级自动化- 特定任务的工作
2. 基于计算机的中枢神经系统研究——对人类“中枢神经系统”的研究
3. 高级自动化和基于计算机的 CNS 研究之间的桥梁。这座桥通常被视为“通用”机器人，因此 Lighthill 也会使用“建筑机器人”一词。

高级自动化（或“应用人工智能”）显然很有用。基于计算机的中枢神经系统研究很有用，因为我们想更多地了解人类智能。人工智能的两个领域都取得了一些成功，但其从业者过于乐观，导致这些领域令人失望。尽管如此，James Lighthill 爵士仍然非常支持这两个领域的研究。

另一方面，建造机器人？詹姆斯·莱特希尔爵士对这个想法非常敌视，可能是因为它比其他两个类别被过度炒作并且产生的有价值的产出最少。

他特别提到了国际象棋作为“机器人”研究失败的一个例子。报告发布时，国际象棋引擎处于“英格兰郡俱乐部球员经验丰富的业余标准特征”水平。然而，这些下棋引擎依赖于人类制造的启发式算法。这些引擎根本不是智能的……它们只是遵循智能人类创造的启发式方法。机器人带来的唯一优势是“速度、可靠性和可投标性”，即使这样也不足以击败国际象棋大师。

现在，今天，我们可能不会将国际象棋视为通用问题解决的一个例子。我们会更准确地将其归类为“高级自动化”，这是一个“狭义的人工智能”问题，与一般问题解决的更广泛的现实世界影响相分离。但詹姆斯·莱特希尔爵士可能会同意我们的看法。他从未使用过“狭义 AI”和“AGI”这两个术语（这两个术语都不存在），但他会写道：

总而言之，本作者在过去 25 年中就 B 类 AI 工作所研究的这一证据和所有其他证据，在一定程度上鼓励了编写用于在高度专业化的问题领域执行的程序，此时编程需要非常充分的时间。考虑到相关领域内人类经验和人类智慧的结果，但对于寻求在相当广泛的领域内模仿人类 CNS 活动的问题解决方面的通用程序完全令人沮丧。这样一个通用程序，人工智能活动令人垂涎的长期目标，似乎与以往一样遥远。

詹姆斯·莱特希尔爵士认为，将高级自动化和基于计算机的中枢神经系统研究联系起来的唯一因素是建筑屋顶“桥梁”类别的存在。但他对这个类别实际上产生任何有价值的东西非常悲观。因此，相反，人工智能领域应该分解成它自己的组成部分（自动化和研究）。然后，制造的任何机器人都可以在其子领域内进行专业化……工业自动化或中枢神经系统研究。试图建立“通用程序”的圣杯将毫无价值……至少目前是这样。