因為鑒于當(dāng)時簡單的計算機與編程工具，研究者們主要著眼于一些比較特定的問題。例如Herbert Gelernter建造了一個幾何定理證明器，可以證明一些學(xué)生會感到棘手的幾何定理；阿瑟·薩繆爾編寫了西洋跳棋程序，水平能達到業(yè)余高手；James Slagle的SAINT程序能求解大學(xué)一年級的閉合式微積分問題；還有就是結(jié)合了多項技術(shù)的積木世界問題，它可以使用一只每次能拿起一塊積木的機器手按照某種方式調(diào)整這些木塊。
（馬文·明斯基與他的積木機器人）
雖然這些早期的人工智能項目看起來擁有著巨大的熱情和期望，但是由于方法的局限性，人工智能領(lǐng)域的研究者越來越意識到他們所遇到的瓶頸和困難，再加上沒有真正令人振奮人心的項目出來而導(dǎo)致資助的停止，人工智能陷入了一個低潮。
產(chǎn)生這些現(xiàn)實困難的原因主要有三點。
第一點是大部分早期程序?qū)σ瓿傻娜蝿?wù)的主題一無所知。就拿機器翻譯來說，給程序一個句子，會用的方法只是進行句法分割然后對分割后的成分進行詞典翻譯，那這樣就很容易產(chǎn)生歧義。例如I went to the bank，bank既有銀行也有河岸的意思，如果只是單純的分割加單詞翻譯，這句話根本沒法解釋。
第二點是問題的難解性。上面我已經(jīng)提到，早期的人工智能程序主要解決特定的問題，因為特定的問題對象少，復(fù)雜度低啊，但是一旦問題的維度上來了，程序立馬就捉襟見肘了。
第三點就是程序本身的結(jié)構(gòu)就有問題。例如明斯基在1969年證明了兩輸入的感知機連何時輸入是相同的都判斷不了。
（感知機模型）
綜上，由于種種困難，再加上資助的減少，人工智能步入了寒冬。這便是人工智能歷史的上半段。
四、人工智能的重生
上個世紀80年代中期，當(dāng)初于1969年由Bryson和Ho建立的反傳學(xué)習(xí)算法被重新發(fā)明，然后統(tǒng)計學(xué)在人工智能領(lǐng)域的使用以及良好的效果也讓科學(xué)界為之一振。于是在新的結(jié)構(gòu)和新的方法下，人工智能又重獲新生。
首先興起的是語音識別領(lǐng)域，在這個方面的成就一個重要的原因是隱馬爾可夫模型的方法開始主導(dǎo)這個領(lǐng)域。隱馬爾可夫模型包含“隱含”和“馬爾可夫鏈”兩個概念，馬爾可夫鏈?zhǔn)蔷哂羞@樣一種特性的鏈條，就是現(xiàn)在的狀態(tài)只和前一個狀態(tài)有關(guān)，而和再往前的狀態(tài)沒有關(guān)系。所以我們遇到這樣一個鏈條的時候，我們可以隨機選擇一個狀態(tài)作為初始狀態(tài)，然后按照上述規(guī)則隨機選擇后續(xù)狀態(tài)。“隱含”的意思則是在這個馬爾可夫鏈上再加一個限制就是，任意時刻的狀態(tài)我們是不可知的，但是這個狀態(tài)會輸出一個結(jié)果，這個結(jié)果只和這個狀態(tài)相關(guān)，所以這個也稱為獨立輸出假設(shè)。
通過這么一解釋我們就能看出，隱馬爾可夫模型是基于嚴格的數(shù)學(xué)理論基礎(chǔ)，這允許語音研究者以其他領(lǐng)域中發(fā)展數(shù)十年的數(shù)學(xué)成果為依據(jù)。其次這個模型的這種隨機性可以通過大量的真實語音進行訓(xùn)練，這就保證了性能的魯棒性。
（隱馬爾可夫模型簡圖）
在馬爾可夫鏈的基礎(chǔ)上還誕生了一個以對不確定性知識進行有效表示和嚴格推理的形式化方法——貝葉斯網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)是一個加權(quán)的有向圖，是馬爾可夫鏈的拓展。馬爾可夫鏈保證了網(wǎng)絡(luò)中的每一個狀態(tài)只跟與其直接相連的狀態(tài)有關(guān)，而跟與它間接相連的狀態(tài)沒有關(guān)系，那么這就是貝葉斯網(wǎng)絡(luò)。在這個網(wǎng)絡(luò)中，每個節(jié)點的概率，都可以用貝葉斯公式來計算，貝葉斯網(wǎng)絡(luò)因此得名。