自古以来，对人工智能(AI) 生物的引用一直存在 [1]。事实上，正是对形式推理的研究，当时的哲学家和数学家开始了这项研究。然后，很久以后，在更近的时期，正是对数理逻辑的研究导致计算机科学家艾伦·图灵发展了他的计算理论。
Alan Turning 最著名的角色可能是他在 Bletchley Park 开发了名为 Bombe 的“通用”计算机，该计算机在二战期间解密了纳粹谜机器信息。然而，也许是他(和 Alonzo Church 的)Church-Turing 论文提出了数字计算机可以模拟任何形式推理过程，这在当今人工智能领域最具影响力。
这样的工作最初引起了极大的兴奋，1956 年夏天在达特茅斯学院举办了一个研讨会，当时许多最有影响力的计算机科学学者，如马文·明斯基、约翰·麦卡锡、赫伯特·西蒙和克劳德·香农，导致了人工智能作为一个领域的建立。他们相信这个问题很快就会得到解决，赫伯特·西蒙说：“机器将能够在 20 年内完成人类可以完成的任何工作。”Marvin Minsky 表示同意，并建议“在一代人之内……创造‘人工智能’的问题将得到实质性解决”[2]。然而，事实并非如此，事实证明问题比他们想象的要困难得多，
然而，最近人工智能的兴趣和方法出现了复兴，例如 2012 年深度学习算法的复兴，乔治·E·达尔(George E. Dahl)赢得了“默克分子活动挑战赛”，他使用多任务深度神经网络预测药物的生物分子靶点 [3]，以及 2014 年深度强化学习 (Q-learning) 算法的发展 [4]。
当今一些最令人印象深刻的人工智能展示已经利用了这些新方法，以深度学习与强化学习算法相结合的形式，例如 Deep Mind 的 Alpha Go [5] 成功击败领先玩家的例子(李世石)在围棋游戏中，这在以前被认为是不可能的(因为考虑到游戏的复杂性，这个游戏不能通过 AI 蛮力方法赢得 - 即 10 和后面的另外 360 个零，可能的移动，在19 x 19 板)。在最近的自然语言处理 (NLP) AI 中也有令人印象深刻的自然语言仿真，其形式为 Open AI 的 GPT-3 [6]，它利用深度学习方法，例如使用基于超大变压器的神经网络 (具有 1750 亿个参数)，专门用于文本分类，使其能够预测和创建自然发音的文本。