محاسبات تکاملی
برنامه چکرز ساموئل همچنین به دلیل یکی از اولین تلاش‌ها برای محاسبات تکاملی قابل توجه است. (برنامه او با نسخه‌ای اصلاح‌شده از برنامه فعلی‌اش روبرو می‌شد و برنده به عنوان استاندارد جدید انتخاب می‌شد.) محاسبات تکاملی معمولاً شامل استفاده از روش خودکار برای تولید و ارزیابی نسل‌های پی‌درپی یک برنامه است تا زمانی که یک راه‌حل بسیار ماهرانه پدیدار شود.
یکی از پیشگامان محاسبات تکاملی، جان هالند بود که همچنین نرم‌افزار تستی را برای نمونه اولیه کامپیوتر IBM 701 نوشت. او به‌ویژه به طراحی یک موش مجازی در یک شبکه عصبی کمک کرد که می‌توانست در یک هزارتو آموزش داده شود. این کار هالند را متقاعد کرد که رویکرد پایین به بالا در هوش مصنوعی مؤثر است، که شامل ایجاد شبکه‌های عصبی به تقلید از ساختار مغز است.
هالند بعد از فارغ‌التحصیلی به دانشکده میشیگان پیوست و طی چهار دهه آینده، بیشتر تحقیقات درباره روش‌های خودکارسازی محاسبات تکاملی را هدایت کرد، فرآیندی که اکنون با اصطلاح الگوریتم‌های ژنتیکی شناخته می‌شود. سیستم‌های پیاده‌سازی‌شده در آزمایشگاه هالند شامل یک برنامه شطرنج، مدل‌هایی از ارگانیسم‌های تک‌سلولی، و یک سیستم طبقه‌بندی برای کنترل شبکه شبیه‌سازی‌شده خط لوله گاز بودند.
الگوریتم‌های ژنتیکی دیگر محدود به نمایش‌های آکادمیک نیستند؛ با این حال، در یک کاربرد عملی مهم، یک الگوریتم ژنتیکی با شاهد یک جرم همکاری می‌کند تا تصویر چهره مجرم را ایجاد کند.
استدلال منطقی و حل مسائل
توانایی استدلال منطقی یکی از جنبه‌های مهم هوش است و همیشه یکی از تمرکزهای اصلی تحقیقات هوش مصنوعی بوده است. یکی از نقاط عطف مهم در این زمینه برنامه اثبات قضایا بود که در سال‌های 1955-56 توسط الن نیوئل و جی. کلیفورد شاو از شرکت RAND و هربرت سیمون از دانشگاه کارنگی ملون نوشته شد. این برنامه که به نام Logic Theorist شناخته شد، برای اثبات قضایا از کتاب Principia Mathematica (1910-13)، یک اثر سه‌جلدی از فیلسوف-ریاضی‌دانان بریتانیایی آلفرد نورث وایت‌هد و برتراند راسل طراحی شده بود. در یک مورد، اثباتی که برنامه ارائه داد، از اثبات‌های موجود در کتاب‌ها زیباتر بود.
نیوئل، سیمون، و شاو سپس برنامه‌ای قدرتمندتر به نام General Problem Solver یا GPS نوشتند. نسخه اولیه GPS در سال 1957 اجرا شد و کار بر روی این پروژه حدود یک دهه ادامه یافت GPS .قادر بود انواع مختلفی از معماها را با استفاده از رویکرد آزمون و خطا حل کند. با این حال، یکی از انتقادات به GPS و برنامه‌های مشابهی که فاقد قابلیت یادگیری هستند این است که هوش برنامه کاملاً از اطلاعاتی که برنامه‌نویس به‌طور صریح وارد کرده است، نشأت می‌گیرد.
گفتگوهای انگلیسی
دو تا از مشهورترین برنامه‌های اولیه هوش مصنوعی، الیزا و پاری، ظاهری ترسناک از مکالمه هوشمندانه را به نمایش گذاشتند. (جزئیات هر دو برای اولین بار در سال 1966 منتشر شد.) الیزا، که توسط جوزف ویزنباوم از آزمایشگاه هوش مصنوعی MIT نوشته شده بود، شبیه‌سازی یک درمانگر انسانی بود. پاری، که توسط روانپزشک دانشگاه استنفورد کنت کولی نوشته شده بود، شبیه‌سازی یک انسان مبتلا به پارانویید بود. روانپزشکانی که از آنها خواسته شد تصمیم بگیرند که آیا با پاری یا یک انسان مبتلا به پارانویید در حال گفتگو هستند، اغلب نمی‌توانستند تشخیص دهند. با این حال، نه پاری و نه الیزا به‌طور منطقی نمی‌توانستند به عنوان هوشمند توصیف شوند. مشارکت‌های پاری در مکالمه از پیش تهیه شده بودند) .ساخته شده توسط برنامه‌نویس و در حافظه کامپیوتر ذخیره شده بود.( الیزا نیز به جملات از پیش تهیه شده و ترفندهای برنامه‌نویسی ساده متکی بود.
زبان‌های برنامه‌نویسی هوش مصنوعی
نیوئل، سیمون، و شاو در جریان کار خود بر روی Logic Theorist و GPS، زبان برنامه‌نویسی Information Processing Language (IPL) را توسعه دادند، زبانی کامپیوتری که به طور خاص برای برنامه‌نویسی هوش مصنوعی طراحی شده بود. در قلب IPL ، ساختار داده‌ای بسیار انعطاف‌پذیر به نام لیست وجود داشت. لیست به سادگی دنباله‌ای مرتب از اقلام داده است. برخی یا تمامی اقلام موجود در یک لیست ممکن است خود لیست‌هایی باشند. این طرح منجر به ساختارهای شاخه‌ای غنی می‌شود.
در سال 1960، جان مک‌کارتی عناصر IPL را با محاسبات لامبدا (سیستم منطقی-ریاضی رسمی) ترکیب کرد تا زبان برنامه‌نویسی LISP (List Processor) را تولید کند، که به مدت دهه‌ها زبان اصلی برای کارهای هوش مصنوعی در ایالات متحده بود، پیش از آنکه در قرن 21 توسط زبان‌هایی مانند پایتون، جاوا و C++ جایگزین شود. (محاسبات لامبدا خود در سال ۱۹۳۶ توسط منطق دان دانشگاه پرینستون، آلونزو چرچ، در حالی که در حال تحقیق بر روی مسئله انتزاعی **Entscheidungsproblem** یا «مسئله تصمیم» برای منطق محمول‌ها بود، اختراع شد. این همان مسئله‌ای بود که آلن تورینگ هنگام اختراع ماشین تورینگ جهانی به آن پرداخته بود.)
زبان برنامه‌نویسی منطقی پرولوگ (Programmation en Logique) توسط آلن کولمرو در دانشگاه اکس-مارسی در فرانسه طراحی شد و اولین بار در سال ۱۹۷۳ پیاده‌سازی شد. پرولوگ توسط منطق‌دان رابرت کوالسکی، عضو گروه هوش مصنوعی دانشگاه ادینبورگ، توسعه یافت. این زبان از یک تکنیک قوی اثبات قضیه به نام resolution استفاده می‌کند که در سال ۱۹۶۳ در آزمایشگاه ملی آرگون کمیسیون انرژی اتمی ایالات متحده در ایالت ایلینوی توسط منطق دان بریتانیایی آلن رابینسون اختراع شد. پرولوگ می‌تواند تعیین کند که آیا یک گزاره خاص به طور منطقی از گزاره‌های دیگر نتیجه می‌شود یا خیر. برای مثال، با توجه به گزاره‌های «تمام منطق‌دانان منطقی هستند» و «رابینسون یک منطق‌دان است»، یک برنامه پرولوگ در پاسخ به پرسش «آیا رابینسون منطقی است؟» پاسخ مثبت می‌دهد. پرولوگ به‌طور گسترده‌ای برای کارهای هوش مصنوعی، به ویژه در اروپا و ژاپن، استفاده شد.
برنامه‌های میکروجهان
برای مقابله با پیچیدگی گیج‌کننده دنیای واقعی، دانشمندان اغلب جزئیات کم‌اهمیت‌تر را نادیده می‌گیرند؛ به‌عنوان مثال، فیزیکدانان اغلب اصطکاک و خاصیت کشسانی را در مدل‌های خود نادیده می‌گیرند. در سال ۱۹۷۰ ماروین مینسکی و سیمور پیپرت از آزمایشگاه هوش مصنوعی MIT پیشنهاد دادند که به همین ترتیب، تحقیقات هوش مصنوعی باید بر توسعه برنامه‌هایی متمرکز شود که قادر به رفتار هوشمندانه در محیط‌های مصنوعی ساده‌تر باشند که به آنها میکروجهان گفته می‌شود. بخش عمده‌ای از تحقیقات بر روی چیزی به نام دنیای بلوک‌ها متمرکز شده است که شامل بلوک‌های رنگی با اشکال و اندازه‌های مختلف است که بر روی سطحی صاف چیده شده‌اند.
یکی از موفقیت‌های اولیه رویکرد میکروجهان، برنامه‌ای به نام SHRDLU بود که توسط تری وینگراد از MIT نوشته شد. (جزئیات این برنامه در سال ۱۹۷۲ منتشر شد.) SHRDLU یک بازوی رباتیک را کنترل می‌کرد که در بالای سطحی صاف قرار داشت و با بلوک‌های بازی پراکنده شده بود. هم بازو و هم بلوک‌ها مجازی بودند. SHRDLU به فرمان‌هایی که به زبان طبیعی انگلیسی تایپ شده بود پاسخ می‌داد، مانند «میشه لطفاً هر دو بلوک قرمز و یک مکعب سبز یا یک هرم را روی هم قرار بدهی؟» این برنامه همچنین می‌توانست به سؤالاتی در مورد اعمال خودش پاسخ دهد. اگرچه SHRDLU در ابتدا به‌عنوان یک پیشرفت بزرگ مورد استقبال قرار گرفت، وینگراد به‌زودی اعلام کرد که این برنامه در واقع یک بن‌بست است. تکنیک‌های پیشگامانه در این برنامه برای کاربرد در جهان‌های وسیع‌تر و جالب‌تر مناسب نبودند. علاوه بر این، ظاهر اینکه SHRDLU جهان بلوک‌ها و جملات انگلیسی مربوط به آن را درک کرده، در واقع یک توهم بود. SHRDLU نمی‌دانست یک بلوک سبز چیست.
شِیکی، یک ربات متحرک بود که در سال‌های ۱۹۶۸ تا ۱۹۷۲ در مؤسسه تحقیقات استنفورد، واقع در منلو پارک، کالیفرنیا توسعه یافت. این ربات مجهز به یک دوربین تلویزیونی، یک فاصله‌سنج و حسگرهای برخورد بود که به یک مینی‌کامپیوتر امکان می‌داد تا به‌صورت از راه دور اقدامات آن را کنترل کند. شیکی می‌توانست چند عمل ساده انجام دهد، مانند حرکت به جلو، چرخیدن و هل دادن، هرچند که این کارها را با سرعت بسیار کم انجام می‌داد. رنگ‌های متضاد، به‌ویژه قرنیزهای تیره در هر دیوار، به ربات کمک می‌کرد تا سطوح جداگانه را از یکدیگر تشخیص دهد.
یکی دیگر از محصولات رویکرد میکروجهان، شیکی بود؛ یک ربات متحرک که توسط برترم رافائل، نیلز نیلسون و دیگران در مؤسسه تحقیقات استنفورد در دوره ۱۹۶۸ تا ۱۹۷۲ توسعه یافت. این ربات در یک میکرودنیای مخصوص ساخته‌شده شامل دیوارها، درگاه‌ها و چند بلوک چوبی ساده‌شکل قرار داشت. هر دیوار دارای یک قرنیز با رنگ دقیقاً نقاشی‌شده بود تا به ربات امکان دهد محل اتصال دیوار به کف را “ببیند” (یک ساده‌سازی از واقعیت که در رویکرد میکرودنیا معمول است). شیکی حدود دوازده توانایی اساسی داشت، مانند چرخیدن (TURN)، هل دادن (PUSH) و بالا رفتن از رمپ (CLIMB-RAMP) . منتقدان به محیط بسیار ساده‌شده شیکی اشاره کردند و تأکید کردند که با وجود این ساده‌سازی‌ها، شیکی به‌طور وحشتناکی کند عمل می‌کرد؛ مجموعه‌ای از اقداماتی که یک انسان می‌توانست در عرض چند دقیقه برنامه‌ریزی کرده و انجام دهد، برای شیکی روزها زمان می‌برد. بزرگ‌ترین موفقیت رویکرد میکرودنیا نوعی برنامه به نام سیستم خبره بود که در بخش بعدی توضیح داده شده است.
