英國著名電腦科學家艾倫·圖靈在1950年發表的論文《計算機器與智慧》中，對人工智慧的發展和人工智慧的哲學作出了廣泛的研究。1936年，圖靈已經發展出了現代計算機的原理，並在二戰期間在布萊切利園破解密碼的過程中發揮了關鍵作用。在1950年的論文中，圖靈探索了“機器”和“思考”的含義，在後來的“圖靈測試”中，他提出，如果一臺機器進行的對話無法與人類對話相區別，那麼可以說這臺機器能夠“思考”。

他在計算機方面的早期研究成果被送到倫敦數學學會（London Mathematical Society），並且證明了所有的數字計算機都有同樣的功能（也就是說，只要有足夠的記憶體和時間，任何計算機都可以模擬所有其他計算機的行為），這個實驗表達出了一個強有力的、優雅且精確的概念。這篇論文至今仍被廣泛閱讀、討論、引用和納入選集。

人工智慧領域的早期研究者們專注於開發必要的工具和技術，以幫助他們探索圖靈的思想。早期的方法主要針對符號程式設計（也就是能夠在自己的程式語言中操縱表達的程式），這是最有前景的範例。許多特殊目的語言都是以此為動力編寫的，其中最著名的是美國的LISP語言，但也包括來自英國的重要貢獻，比如POP-2（由愛丁堡大學的羅賓·波普和羅德·伯斯托發明）和Edinburgh Prolog（由愛丁堡大學的大衛·沃倫發明）。

1952年，克里斯托弗·斯特拉奇在曼徹斯特大學使用Ferranti?Mark?1系統編寫了國際跳棋的玩法，在後來還編寫了情書。人工智慧已經參與到了越來越複雜的遊戲中，這一直是其進步的標誌。

另一位前布萊切利密碼破譯者是唐納德·米奇，他後來在愛丁堡的機械智慧與感知部門擔任主管。當時他發明的連三子棋程式MENACE對當時的計算機來說太過複雜，而他最初是用300個火柴盒來實施這個過程的。

到20世紀60年代，人工智慧技術被應用於更為複雜的問題，並被運用到實際中。前期計劃包括制定解決問題的策略，從而逐步解決問題，比如自動推理，或者是規劃依據（由艾倫·邦迪首創）。

理解自然語言是另一個重要的部分；例如，Karen Sprck Jones發明了從文件中檢索資訊的方式，而Yorick Wilks的偏好語義是一種用來消除單詞歧義感的計算方法，這不僅是對人工智慧的貢獻，而且直接挑戰了語言學中占主導地位的喬姆斯基正規化。他們二人都是劍橋語言研究小組的校友，這是一個由維特根斯坦的學生Margaret Masterman創立的計算機語言學的傳奇熔爐。

在隨後的發展中，像愛丁堡的Freddy I和Freddy II這樣的機器人系統已經能夠將視覺、智慧、多功能性和物理工程結合起來，來完成一些任務，比如組裝物體（需要為機器人開發的專用AI語言）。人工智慧系統也對認知心理學這一學科產生了影響。研究人員包括理查德?格雷戈裡、克里斯托弗?隆格希金斯、菲利普?約翰遜-萊爾德和戴維?馬爾，他們意識到，人類的認知過程可以被視為一種計算方式，並被模仿為計算機程式。

在全球以及在英國，人工智慧經歷了向前發展的階段，也有相對停滯的時期（通常被稱為“人工智慧的冬天”）。其中一個重大事件發生在1973年，,詹姆斯·萊特希爾（Sir James Lighthill）發表了關於人工智慧的報告，該報告建議將人工智慧資金集中在少數幾所英國大學。萊特希爾質疑了當時的人工智慧能夠通過擴大規模來解決現實世界的複雜問題，而且確實，20世紀60年代的主流方法，將複雜的推理建模為可能的決策樹，很容易遇到組合性爆炸的問題。

但是，從長遠來看，符號程式設計的進步使人們對人工智慧解決複雜問題的能力有了更深入的理解，特別是在工具和技術方面取得了特別的進展，可以模擬或支援複雜的專家推理在結構相對良好的領域的應用（在工作場所的應用是非常理想的）。

Knowledge-Based Systems（KBS），被稱為知識庫系統，將人工智慧技術與其他型別的計算推理和領域相關專業知識結合起來，為非常常用但重要的現實應用程式建立系統。KBS不引人注目但實際的成功，幫助化解了萊特希爾的“悲觀情緒”，併為通過Alvey專案進行大規模的資金擴張鋪平了道路。回顧過去，我們所看到的人工智慧冬天都是過度炒作的產物——支持者誇大了錯誤的失敗印象，並因此低估了研究中重要但未取成果的成就。

1983年至1987年期間，英國的Alvey智慧知識庫系統（IKBS）計劃是為了響應其他國家的進展而開發的，尤其是日本（其這5年的專案依靠技術和語言，尤其是來自英國的Edinburgh Prolog）。Alvey影響了學術界研究能力的發展，也鼓勵了行業應用，使其專注於已經取得進展的實際問題，尤其是自然語言處理、介面和KBS。

這些應用程式逐漸將人工智慧領域的目標從製造“思考機器”（這個概念一直存在哲學爭論）轉變為了更可衡量的構想，即創造出能夠發揮作用的機器，如果這些機器是由人類生產的，那麼就可以將其作用歸因於“智慧”（圖靈測試中隱含的一個概念）。這種智慧的表現可能是由“蠻力”方法產生的，既沒有反映，也沒有試圖反映人類的問題。有趣的是，英國培養了許多重要的哲學家，他們幫助發現了這些區別背後的概念，比如瑪格麗特·博登和安迪·克拉克。

Alvey專案之後，AI的投資再次下降，但這一領域的前景已經出現了好轉，因為新的程式設計方法不再依賴於符號推理的線性組合。儘管符號程式設計是人類語言最簡單的程式設計型別，但模擬自然技術從感知環境（例如來自感官的資訊）中也可以推斷出很多資訊，因為它們不包括陳述性或假設性知識的直接表述。

從自然中獲得靈感的一個例子是遺傳演算法，它將一個程式編碼為一組“基因”，然後以模仿進化的方式進行修改，尋找與不斷變化的與環境的“契合度”（早期專案包括理查德·弗西斯的小獵犬系統，用於模式識別）。另一種是神經網路或連線主義系統，在這種系統中，人造“神經元”相互連線在一個系統中，這個系統的作用類似於人腦，由多個“神經元”相互刺激或抑制。與具有象徵意義的人工智慧一樣，研究人員經常在模仿人類大腦時進行逆向推理，來提高其效能（例如，由傑弗裡·辛頓開發的反向傳播演算法），但由史蒂夫·弗伯領導的大規模神經網路SpiNNaker（2005-）仍然是大腦直接建模的傳統正規化。其他與人工智慧相關的非傳統計算方法還包括並行處理（並行處理多個處理器來解決問題）、多智慧體系統（在一個環境中有許多智慧自動代理互動）和機器學習（演算法可以學習在資料中找到重要的結構，並通過培訓確定有趣的模式）。

其他國家和國際公司正在大力投資人工智慧開發，但英國仍被視為人工智慧研究和應用領域的專業中心，至少目前是這樣。例如，DeepMind的兩位創始人，在倫敦大學學院計算機神經科學組讀博士時結識，而這一小組的創始主任正是傑弗裡·辛頓。英國可以繼續在圖靈的遺產和追隨他的人的基礎上繼續努力，繼續成為人工智慧的重要中心之一。

Kieron o’hara博士，南安普敦大學電子與電腦科學系副教授和首席研究員。

自 36kr