حوزه هوش مصنوعیAI بطور رسمی در کارگاهی که توسط جان مک کارتی در سال 1956 در پروژه تحقیقاتی تابستانی در مورد هوش مصنوعی برگزار شد، متولد و نامگذاری شد. هدف این بود که روش‌هایی را بررسی کنیم که در آن ماشین‌ها می‌توانند جنبه‌های هوشی انسان را شبیه‌سازی کنند .
ایده‌ای ضروری که از آن زمان تاکنون به پیشبرد این حوزه ادامه داده است، شبیه سازی ذهن است. اولین استفاده از اصطلاح «هوش مصنوعی» به مک کارتی در طرح پیشنهادی او برای کارگاه آموزشی با ماروین مینسکی، ناتانیل روچستر، و کلود شانون انجام شد. بسیاری از افرادی که در آن شرکت کردند بلافاصله پروژه های مهمی را تحت عنوان هوش مصنوعی رهبری کردند.
اگرچه این کارگاه یک هویت واحد برای این حوزه و یک جامعه تحقیقاتی اختصاصی ایجاد کرد، بسیاری از ایده‌های فنی که برای مشخص کردن هوش مصنوعی آمده بودند، خیلی قبل تر نیز وجود داشتند. در قرن هجدهم، توماس بیز چارچوبی برای استدلال در مورد احتمال رویدادها ارائه کرد. در قرن نوزدهم، جورج بول نشان داد که استدلال منطقی، که قدمت آن به ارسطو بازمی‌گردد، می‌تواند به‌طور سیستماتیک به روشی مشابه حل یک سیستم معادلات انجام شود. در آغاز قرن بیستم، پیشرفت در علوم تجربی منجر به ظهور رشته آمار شد، که امکان استنتاج دقیق از داده ها را فراهم می کند. ایده مهندسی فیزیکی ماشینی برای اجرای توالی دستورالعمل ها، که تخیل پیشگامانی مانند چارلز بابیج را به خود جلب کرده بود، در دهه 1950 به بلوغ رسید و منجر به ساخت اولین رایانه های الکترونیکی شد. همچنین ربات‌های بدوی، که می‌توانستند مستقل عمل کنند، نیز در آن زمان ساخته شده بودند.
تاثیرگذارترین ایده‌های زیربنای علم کامپیوتر از آلن تورینگ بود که یک مدل رسمی از محاسبات را پیشنهاد کرد. مقاله کلاسیک تورینگ، ماشین‌های محاسباتی و شبیه سازی هوش، امکان رایانه‌هارا تصور می‌کند و بسیاری از اجزای موجود در حال حاضر با هوش مصنوعی، از جمله اینکه چگونه هوش ممکن است آزمایش شود، و چگونه ماشین‌ها ممکن است به طور خودکار بیاموزند را بررسی می‌کند. اگرچه این ایده‌ها الهام‌بخش هوش مصنوعی بودند، تورینگ برای تبدیل ایده‌هایش به عمل به منابع محاسباتی مورد نیاز دسترسی نداشت.
چندین حوزه اصلی در جستجوی هوش مصنوعی بین دهه 1950 و 1970 پدیدار شد. نیوول و سایمون پیشگام در جستجوی روشی کارآمد برای یافتن راه حل در فضاهای بزرگ و ترکیبی بودند. بویژه، آنها این ایده را برای ساختن اثبات قضایای ریاضی، ابتدا از طریق برنامه نظریه منطقی خود، و سپس از طریق حل المسائل عمومی به کار بردند.
در اواخر دهه شصت، کار بر روی پردازش زبان طبیعی نیز آغاز شد و سپس یک ربات چرخدار ساخته شد و رباتیک متحرک راه اندازی گردید. برنامه بازی چکرز ساموئل، که خود را از طریق بازیبا خود(کامپیوتر) بهبود بخشید، یکی از اولین نمونه های سیستم یادگیری ماشینی بودبعد از آن نیز یک مدل محاسباتی مبتنی بر نورون های بیولوژیکی، پایه ای برای حوزه شبکه های عصبی مصنوعی شد.
Slagle که از کودکی نابینا بود، دکترای خود را در ریاضیات از MIT دریافت کرد. اسلاگل در حالی که تحصیلات خود را ادامه می داد به کاخ سفید دعوت شد و در آنجا جایزه ای را از طرف شرکت ضبط برای نابینایان از رئیس جمهور به دلیل کار علمی استثنایی خود دریافت کرد. او برنامه ای که به عنوان یکی از اولین “سیستم های تصمیم گیری” شناخته می شود، یک سیستم کامپیوتری که می تواند توانایی تصمیم گیری یک متخصص انسانی را تقلید کند، ابداع کرد.
محققان هوش مصنوعی با پیشرفت این مسیر، دیگر وقت خود را صرف بررسی مجدد جوانب مثبت و منفی سؤال تورینگ که «آیا ماشین‌ها هم می‌توانند فکر کنند؟» نمی‌کردند. در عوض، آنها این دیدگاه را پذیرفتند که «تفکر» باید به‌عنوان یک وضعیت پیوسته در نظر گرفته شود. این بدان معناست که استدلال ماشینی از مجموعه اطلاعاتی پدد می آید که در یک راستا و همجهت ارائه گردد و سپس هوش مصنوعی می تواند نتیجه گیری و جمع بندی کند و داده های زیاد را علاصه کرده و استدلال نهایی ارائه کند.و اگر وضعیت دو جانبه و چند جانبه و با “یا” جدا شود، امکان تصمیم گیری توسط رایانه نیست.
این که آیا رایانه‌ها چطور فکر می‌کنند، و اینکه آیا نتیجه گیری واضح است یا خیر و اینکه آیا آنها می‌توانند در آینده بهبود یابند یا خیر، همچنان یک سؤال باز بود. با این حال، تحقیقات و پیشرفت هوش مصنوعی پس از شروع استفاده از آن از رونق افتاد و تمایل به استفاده از آن کاهش یافت. و در اواسط دهه 1970، بودجه دولت ها برای راه‌های جدید تحقیقات اکتشافی تمام شد. به طور مشابه در آزمایشگاه، گروه هوش مصنوعی منحل شد و پژوهشگران کار خود را در جای دیگری دنبال کردند. اما، در اواخر دهه 1990 و اوایل دهه 2000، تحقیقات هوش مصنوعی با تمرکز بر یافتن راه‌حل‌های خاص برای مشکلات خاص به جای هدف اصلی ایجاد ماشین‌های همه‌کاره و کاملاً هوشمند، به خط مقدم بازگشت. امروزه رایانه‌های سریع‌تر و دسترسی به حجم زیادی از داده‌ها باعث پیشرفت در روش‌های یادگیری عمیق مبتنی بر داده شده است.
امروزه چندین حوزه تمرکز دیگر در هوش مصنوعی پیامدهای رشد فناوری هستند. تحلیل شبکه های اجتماعی که به بررسی تأثیر روابط در تأثیرگذاری بر رفتار افراد و جوامع میپردازد از جمله تازه ترین های هوش مصنوعی است. جمع‌سپاری یکی دیگر از روش‌های نوآورانه حل مسئله است که بر استفاده از هوش انسانی (معمولاً از هزاران انسان) برای حل مسائل سخت محاسباتی متکی است. زیرا هوش مصنوعی فقط ذسته بندی داده انجا می دهد و تولید داده برای آیندة هوش مصنوعی متصور است. با اینحال یک ابزار غیر قابل حذف در تمام تصمیم گیری های انسانی است.
