抽象推理和解决问题的本质，德州仪器TI自然语言处理困难问题

20世纪40年代到50年代，许多研究者探索神经病学， 信息理论及 控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的 TURTLES和JOHNS HOPKINS BEAST。 德州仪器TI研究者还经常在 普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在 卡内基梅隆大学, 斯坦福大学和 麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于 控制论或 神经网络的方法则置于次要。60~70年代的研究者确信符号方法最终可以成功创造 强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和 艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如 认知科学, 运筹学和经营科学。他们的研究团队使用 心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在 卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像 艾伦·纽厄尔和 赫伯特·西蒙， JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在 斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括 知识表示, 智能规划和 机器学习. 致力于逻辑方法的还有 爱丁堡大学，而促成欧洲的其他地方开发编程语言 PROLOG和 逻辑编程科学.“反逻辑” 斯坦福大学的研究者 (如 马文·闵斯基和 西摩尔·派普特)发现要解决 计算机视觉和 自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把 知识构造成应用软件。这场“知识革命”促成 专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。