克服組合爆量問題所需的演算法，得要能在目標範圍內找出結構，並藉由啟發式搜索、計劃和靈活的抽象表現來善用先驗知識。這些能力在早期的人工智慧系統中，功能還很薄弱。此外，這些早期系統也因為不善於掌握不確定性、仰賴不穩定且基礎貧弱的象徵性表徵、缺乏數據，以及硬體記憶能力與處理速度的嚴重受限等等因素而窒礙難行。到了1970年代中期，研究者更注意這些問題，認清人工智慧計劃終究無法貫徹最初目標後，第一個「人工智慧冬天」便降臨了：這段緊縮期間，贊助減少，懷疑增加，人工智慧也退了流行。
1980年代初期終於大地回春；日本開展了「第五代電腦系統計劃」，是一個資金充沛的國家與私人共同計劃，目標是發展大規模並列計算架構做為人工智慧平台，來一口氣提高技術水準。此事發生的背景在日本「戰後經濟奇蹟」的最高熱潮，當時西方政府及企業領袖都渴望探求日本經濟成功背後的祕方，好在自己國內仿效。日本一決定大幅投資人工智慧，眾多國家也跟著下注。
接下來的幾年，「專家系統」有了長足的增進。專家系統是以規則為基準（rule-based）的程式，根據人類專家用形式語言一字字辛苦輸入所導出的事實知識做出基本推論，做為決策者的支援工具。設計者打造了上百個「專家系統」。然而，較小的系統提供的幫助也小；要開發、運作並持續更新一套較大的系統則過於昂貴，用起來也十分麻煩。如果只為了跑一個程式，就需要一台獨立的電腦，這樣的想法也太過不切實際。所以到了1980年代尾聲，這個成長季便告一段落。
第五代計劃並沒有達成目標，歐美的仿效者也未能成功。人工智慧的第二個冬天就這麼來了。此時，批評者大可哀悼「人工智慧研究迄今在各個領域都僅有少量的成功，一開始暗示的更廣大目標也面臨失敗。」私人投資者開始躲避任何可能牽連到「人工智慧」品牌的危險投資，就連在學術圈（以及他們的出資者之間），「人工智慧」也成為一個令人討厭的詞彙。
然而，技術層面的工作仍進展飛快。到了1990年代，第二次人工智慧寒冬慢慢解凍。在這之前，一般所謂的「老派人工智慧」（Good Old-Fashioned Artificial Intelligence，簡稱GOFAI）著重高階符號處理，並達到1980年代專家系統的巔峰；新技術的引進重新點燃了樂觀情緒，提供上述傳統邏輯範例另一種可能。
＊作者為牛津大學哲學系教授，其學術背景包含理論物理學、計算神經科學、數學邏輯、人工智慧以及哲學。他在全球五十歲以下的哲學家中被引用次數最多，擁有廣泛的影響力。伯斯特隆姆同時是牛津馬丁學院人類未來研究所（Future of Humanity Institute）的創立者和所長。本文選自作者著作《超智慧：AI風險的最佳解答》（感電出版）
