1955年8月31日，「人工智能」這個詞首次出現在一個持續2個月、只有10個人參加的研討會提案上。提案撰寫者包括John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), 和 Claude Shannon (Bell Telephone Laboratories)等人。在這一年之後的達特茅斯夏季研討會（1956）則被廣泛認爲是人工智能研究的誕生之日。
而就在這份提案中給出了對於「人工智能」的定義：
嘗試找到如何讓機器使用語言、形成抽象和概念、解決現在人類還不能解決的問題、提升自己等等。對於當下的人工智能來說首要問題是讓機器像人類一樣能夠表現出智能。
以及自己希望的結果：
「我們認爲, 如果一組優秀的科學家在一起工作一個暑假的話，能夠在這些問題（一個或多個）中取得一個重大進展」。
這一大會提案提出了在人工智能方向上的研究與思考方向，經過將近一年的醞釀，在1956年的達特茅斯會議上的討論引起了計算機學界的關注和共鳴，從而宣佈了「人工智能」這一新興學科的誕生。對於這份對人工智能發展有着指導性意義的大會提案，雷鋒網編譯如下：
關於在達特茅斯召開人工智能夏季研討會的提案
J.麥卡錫，達特茅斯學院
M. L.明斯基，哈佛大學
N.羅切斯特，I.B.M.公司
C.E。香農，貝爾電話實驗室
1955.8.31.
我們提議明年（1956年）暑假期間在新罕布什爾州漢諾威的達特茅斯學院進行一次爲期2個月、10人蔘加的人工智能研討會。我們的研究建立在這樣的一種猜想之上，即（人類的）學習的每一方面或者智能的任意一種特徵在原則上都能夠被精確描述，並可以由機器可以用來模擬學習和智能，我們的研究是建立在這一猜想的基礎之上。我們將試圖找到如何讓機器使用語言、形成抽象和概念、解決現在人類還不能解決的問題、提升自己等等。我們認爲, 如果一組優秀的科學家在一起工作一個暑假的話，能夠在這些問題（一個或多個）中取得一個重大進展。
以下是我們對人工智能方面思考的一些問題：
1．自動化計算機
倘若一臺機器可以工作，那麼可以對一臺自動化計算機進行編程，用來模擬機器工作。現有計算機的運行速度與內存容量可能不能夠支持模擬人類大腦的衆多高級功能，但是，主要的瓶頸不在於機器容量小，而在於我們不能夠儘自己所能編寫出足以支持計算機來模擬人類大腦高級功能的強大程序。
2. 如何編程，以使計算機具備使用語言的能力？
據猜測，人類的大部分思想是由通過推理與想象來使用詞彙獲得的。根據這一觀點，可以得出以下結論：人類的語言推理歸納能力是通過允許一個新詞彙和包含該詞彙的一些句子所暗含的一些語言規則，或其他句子所暗含的一些語言規則，進入心理詞彙庫中形成獲得的。不過，從未有人對該觀點作過精確闡釋，也未列舉出相關語言應用實例。
3. 神經元網絡
如何設計排布一組（假定的）神經元，使這些神經元能夠生成概念？關於該問題Uttley, Rashevsky與其團隊，Farley and Clark, Pitts and McCulloch, Minsky, Rochester and Holland等研究者曾做出大量理論研究和實驗研究。曾獲得了部分研究成果，但是，爲了解決該問題仍需大量理論研究工作的支持。
4.計算規模理論
假定我們要解決一個非常棒的問題（需要嚴格測試一個富有建議性的答案是否有效），一種解決方案是一次測試所有的答案。這種方案效率低，但是，爲了排除該解決方案，我們需要制定出一些關於高效計算方法的標準。我們曾考慮到，爲了衡量一種計算方法的效率，有必要制定出一套用來衡量計算設備複雜性的方法，要制定出這樣一套方法，需要提出一個關於功能複雜性的理論。Shannon與McCarthy就該問題開展研究，並獲得了部分成果。
5.自我提升
一臺真正意義上的智能機器可能會執行一些活動，這些活動在很大程度上可以成爲自我提升，爲了實現該目的，已經有人提出了一些方案，並值得作進一步研究。該問題也可以作抽象層面的研究。
6.抽象概念
大量的「抽象概念」類型可以得到清楚地定義，也存在一些「抽象概念」類型難以明白無誤地定義。值得直接嘗試劃分這些「抽象概念」類型，並描述從感觀數據或其他數據來源獲取抽象概念的機器方法。
7. 隨機性與創造性
針對創造性思維與缺乏想象力的有主觀決定權的思維之間的差異，我們有一個非常誘人的，但不甚完善的構想，即兩者之間的差異在於隨機性。這種隨機性伴隨直覺產生，並具有效率。換言之，一般來講，受到限制的隨機性是有序思考的產物，但是，經過思考的猜想或預感反而包括這種隨機性。
除了上述由我們共同提出的供研究的問題，我們也邀請參加該項目的個體成員來陳述他們各自的研究側重點。該項目的四位發起者的演講見附錄。
本次大會提議的發起者如下：C. E. Shannon，M. L. Minsky, N. Rochester, J. McCarthy。洛克菲勒基金會爲本項目提供了相關費用支持。
我希望自己今後的研究專注於以下列舉的一個或兩個研究論題。
1. 將信息理論概念應用到計算機器與大腦模型中。信息理論存在的一個主要問題是通過一個噪音渠道可靠傳播信息。計算機器存在一個相似的問題，即運用不可靠的元素進行可靠地計算。關於該問題，von Neumann, Shannon 與Moore曾做出過研究，但是，仍然存在一些開放性問題亟待解決。關於幾種元素，與渠道容量相似的概念發展問，所要求冗餘的上下限深刻分析等問題都被列爲重要問題。另一個問題與信息網絡理論有關，在該網絡中信息在許多閉合圈內流通（這種信息流通方式與通訊理論通常所主張的簡易單一渠道信息流通方式形成對比）。在閉合圈中，信息流通延遲問題成爲重要研究對象，有必要提出一個全新的途徑。當一個信息集合的部分過去信息爲已知時，這將涉及到局部熵等概念問題。
2.與機器人相匹配的環境-大腦模型。通常一臺機器或動物只能在有限的環境裏運轉或只能適應有限的環境。即便是複雜的人類大腦最初也是先適應其存在環境的一些簡單特徵，逐漸適應其他複雜的環境特徵。我提議，通過研究一系列相匹配（理論層面上）的環境和與之相適應的大腦模型兩者的並行發展，進而綜合研究大腦模型。研究的重點是對該環境模型進行分類，並用數學結構來表示該模型。通常在討論機械化智能時，我們會聯想到能夠進行諸如證明某些原理，創作音樂，或下棋等高級人類思維活動的機器。在此，我提議，從簡單的環境模型入手，當環境變得有利（只是無關緊要）或不那麼複雜時，從一系列簡易模型開始研究，慢慢朝向那些高級活動的研究邁進。
要設計出具備以下學習能力的機器並非難事。爲機器配備輸入與輸出渠道，及一種爲輸入信息提供各種輸出反應的內部方法，如此，機器能夠通過試錯法得到訓練，並獲得一連串的輸入與輸出函數。像這樣一臺機器，倘若放置在一個合適的環境裏，並給定一套「成功」或「失敗」的衡量標準，經過訓練能夠展示出一套「目標探索」行爲模式。這樣一臺機器智能夠在一種複雜的環境裏緩慢發展，通常情況下，也不會具備高級行爲模式，除非提供給這樣一臺機器，或機器本身能夠發展，抽象感官資料。
如今，判斷成功的標準不應當侷限於在機器的輸出渠道中產出如設計者期盼的特定活動模式，而應當包括在一個特定的環境中展示出一種特定操作的性能。在某種程度上，動力機的情況呈現一種兩分式感官情形，當機器具備將其輸出活動與環境變化相關聯的「動力機抽象」集合整合在一起的能力時，便可以快速取得成功。
在一段時間內，我已經對這類系統作出相關研究，認爲，如果設計出的機器的感官抽象與動力機抽象滿足某些關係，這臺機器將具備展示更高一級行爲模式的能力。如果相對應的動力機行爲真實發生的話，這些關係涉及到配對，動力機抽象與感官抽象，將形成代表預設的環境變化的新型感官情形。
所探尋的重要結果爲：根據所處的環境特徵，機器自身能夠建立一個抽象的環境模型。倘若遇到困難，機器首先從內部抽象的環境模型中搜尋答案，然後才嘗試外部實驗。鑑於這些初始的內部研究，外部實驗將變得更爲靈活，機器所展示出的行爲模式將被視爲極具「想象力」。
在我的論文中，將嘗試對機器如何模擬人類行爲模式進行探究，也將朝該研究方向進一步努力。我希望，到1956年夏，我能夠設計出這樣一臺十分接近計算機編程階段的智能機器。
機器性能的原創性
在爲一臺自動化計算機編程的過程中，一般來講，我們應當爲機器設定一系列準則，以應對操作過程的任何突發事件。我們期望，機器能夠在極大程度上遵循所設定的準則，展示出非原創性或常識。此外，當機器操作出現紊亂情形時，設計者也會感到厭煩，因爲他爲機器設置的原則本身存在些許矛盾。最後，在爲機器編程過程中，設計者在處理所遇到問題時，往往會非常吃力，但是，當機器具備一點點直覺或能夠進行合理性推理時，機器自身能夠直接找到問題所在。本文描述的構想如下：如何使機器能夠在上述提出的廣泛領域中展示出更爲複雜高端的行爲模式。文章討論的問題我在這五年內也或多或少地涉獵過，我希望在明年夏天的人工智能項目中該方面的研究能夠有所進展。
發明或發現的過程
生活在我們的文化環境中使得我們能夠解決很多問題。關於上述所描述的程序具體如何進行仍然不太明晰，但是我將依照Craik提出的模型對於該問題的這一方面進行討論。Craik建議，心理作用主要是通過在大腦中構建小型引擎形成的，這些引擎能夠模擬並預測與環境相關的抽象概念。因而，該問題的解決方法可以列舉如下：
1. 環境能夠提供數據，基於所提供的數據形成某些抽象概念。
2. 這些抽象概念與某些內在習慣或動力提供了：
3.1 就未來期望實現的環境，提供問題的定義，即設定一個目標。
3.2 解決該問題的一個建議性行動方案。
3.3 刺激大腦中與該情形相匹配的引擎。
4. 然後，該引擎將預測該環境特徵和所提出的行動方案將導致什麼結果。
5. 如果預測結果與目標相符，個體將繼續依照所指示的方案行動。
目前，針對這種問題最實用的機器解決方案是對蒙特卡洛方法的拓展。通常能夠用蒙特卡洛方法解決的問題，總是存在被誤解的情形，其中存在多種可能性因素，在獲得分析方案的過程中，我們不能夠確定忽略哪些因素。因此，數學家使用機器進行數千項隨機實驗，實驗結果關於答案提供了大致猜想。對蒙特卡洛方法的拓展正是運用這些結果作爲引導，以確定忽略哪些因素，來簡化問題，獲得近似的分析型方案。
有人可能會問到，爲什麼這種方法也含有隨機性。因爲，對於機器來講，需要運用隨機性來克服編程人員的考慮不夠周全的地方，克服其偏見。儘管這種方法是否有必要包含隨機性尚未得到證實，當前已經由大量證據支持其存在的必要性。
具有隨機性的機器
爲一臺自動化計算機編程使之能夠具有原創性，引進隨機性卻不運用瞄準器是不可行的。例如，當設計者編出一種程序，使得計算機每一萬步生成一個隨機數據，並將其當作一項指令進行操作，結果將出現混亂。當出現大量混亂後，機器可能將會嘗試一些禁止的指令或者執行停止指令，這樣的話，實驗將中止。
然而，針對上述問題，存在兩種合理的途徑。其一，發現大腦是如何成功處理操作指令混亂的，複製大腦的功能。其二，運用一些要求找到原創性答案的實例問題，嘗試在自動化計算機上編程，以解決這些問題。兩種方法中任意一種都可能取得成功。但是，尚未能夠確定這兩種方法，哪一個更快速，用時更短。我在該研究領域的工作主要側重於前一種方法，因爲我認爲，爲了解決這個難題，最好是能夠掌握所有相關科學知識，我已經意識到這些計算機的當前狀態，並體會到爲機器編程的藝術魅力。
大腦的控制機制明顯有別於如今的計算機控制機制。其差異性之一表現在失敗的方式。一臺計算機的失敗主要表現在輸出不合理的結果。存儲誤差或數據傳輸錯誤在很大程度上超出數據層面。控制誤差將會導致出現任何結果，可能執行錯誤的指令或操作錯誤的輸入-輸出單元。另一方面，人類語言的錯誤可能會產生仍然有邏輯，講得通的語言輸出結果。可能大腦機制是這樣的，推理的少許誤差將會使得產生的隨機性朝向合理正確的方向發展。也許控制行爲順序的機制能夠引導這種隨機因素，最終在完全隨機的條件下提高想象過程的有效性。
有一些研究已經致力於在我們的自動化計算機上模擬神經元網絡。本研究的重點是使機器能夠形成並操作概念，具備抽象、概括及命名的能力。已經就大腦機制做出研究，實驗的第一階段主要修正該理論的某些細節，第二階段正在進行中。預計到明年夏天，本研究將順利完成，並完成最終實驗報告。現在預測明年夏天我的實驗將進行到哪一階段還爲時尚早，但是，我在論文中將堅持探尋的主要研究問題爲：「如何設計出一臺機器，保證其在解決問題過程中展現出原創性？」
語言與智能
在明年夏天將要召開的人工智能研討會上，我提議研究語言與智能兩者之間的關係。很明顯，直接將試錯法運用到處理感官數據與動力機活動兩者的關係中，不會有助於機器學會更爲複雜的行爲模式。相反，有必要將試錯法運用到更爲抽象的層面上。顯然，人類大腦將語言用作處理複雜現象的手段。更高水平的試錯法通常以形成構想，並驗證構想的形式呈現。英語語言擁有的大量語言特徵是目前所描述的每一種官方語言所缺乏的。
1. 可以精確描述英語中經由非正式數學補充表達的幅角。
2. 英語應用範圍的廣泛性使得這種語言能夠吸收併合理利用其他任何一種語言。
3. 英語語言使用者能夠用英語來指代自己，並根據自己解決研究過程中的所遇到問題的進展，重新修正自己的陳述方式。
4. 除了證明規則，英語，倘若在數學中得到完全表達，能夠形成猜測式規則。
目前制定的邏輯語言已經形成指令列表，允許計算機進行超前計算，或者形成數學中的部分公式表達法。後者已經被構建，以便於：
1. 用非正式數學表達方式進行簡單的描述。
2. 允許將陳述表達從非正式數學表達法翻譯爲語言。
3. 討論某證明過程。
目前，尚未有人嘗試將人工語言中的證明過程變得與非正式數學中的證明過程一樣簡短。因而，構建一種能夠用計算機編程的人工語言來解決需要猜想與自我推理的問題是值得嘗試的。這種人工語言應當與英語保持一致，即關於特定主題簡短的英語陳述應當對應人工語言中簡短的陳述方式，故英語中簡短的觀點應當對應人工語言中簡短的猜測性觀點。我希望能夠制定出一種具備這些特徵的人工語言，並且包括實物，事件等概念，也希望運用這種人工語言，使爲機器編程，以便機器能夠像人類一樣玩遊戲，並完成其他任務成爲可能。
以下是將參加明年的達特茅斯研討會的人員以及對此研究課題感興趣的人員名單：
後記：
在2006年7月12-15號，達特茅斯人工智能會議（Dartmouth Artificial Intelligence Conference）召開，本次大會的主題爲「下一個五十年（AI@50）」，並以此紀念這次「達特茅斯會議（Dartmouth Conference）」五十週年。十位最初參與的科學家中有五位也出席了會議，他們是：Marvin Minsky, Ray Solomonoff, Oliver Selfridge, Trenchard More, and John McCarthy。大會主席James Moor在AI雜誌發表的總結報告中提及：
「想要對任何進展找出它的開始日期是困難的，但是1956年的達特茅斯夏季研究項目經常被認爲是將AI作爲一個研究領域的開端。John McCarthy，當時是達特茅斯的一名數學教授，他對於自己和Claude Shannon合作的論文（發表在Automata Studies上）感到失望，因爲其沒有更多地提到計算機在獲取智能上更多的可能性。因此，在John McCarthy, Marvin Minsky, Claude Shannon和 Nathaniel Rochester爲1956年研討會寫的提案中，McCarthy 想要進一步明確這個概念，他也被認爲是「人工智能」這個詞的創造者，爲這個領域的研究打好了方向。設想下，如果當時採用「計算智能」或者其他任何一種可能的詞，現在人工智能領域的研究會不會有所不同？」
1956年的原始項目中的五位科學家參與了AI@50，他們都回憶了那段往事。
McCarthy認爲1956年的項目並沒有達到初始的合作預期。參會者沒有同時抵達，並且基本還是維持在他們自己的研究日程中。但是McCarthy強調在項目期間還是有許多重大的研究進展，特別是Allen Newell, Cliff Shaw,和 Herbert Simon的信息處理語言(IPL)，以及邏輯理論機器；
Marvin Minsky提到，雖然他在1956項目之前幾年就將神經網絡作爲自己的學位論文來進行研究，但是他中斷了這個工作因爲他確信使用計算機的其他方式能夠在這方面取得進步。Minsky也提到當下太多AI研究只是想做那些最流行的東西，也只發表哪些成功的結果。他認爲AI之所以能成爲科學是因爲之前的學者不僅發表那些成功的結果，也發表那些失敗了的；
Oliver Selfridge特別提到那些相關領域的研究（不管在1956夏季項目之前還是之後）都爲推動AI成爲一個研究領域做出了重要的貢獻。改進語言和機器的發展都是其本質原因。他提出對許多早期先驅科學家進行致敬，像開發了分時理論的J. C. R. Licklider，設計了IBM計算機的Nat Rochester，以及一直致力於感知器研究的Frank Rosenblatt；
Trenchard More被羅切斯特大學（University of Rochester）派到暑期項目中兩個星期。一些有關AI項目最好的筆記是由他所記錄，雖然諷刺的是他承認自己從來都不喜歡「人工」或者「智能」來作爲這個研究領域的名稱；
Ray Solomonoff說他之所以去這個暑期項目是希望能說服大家有關機器學習的重要性。他在項目期間瞭解到大量有關圖靈機的事情，影響了他未來的工作。
因而，1956年的夏季研究項目在某些方面不甚令人滿意。研究項目的參與者到來的時間各不相同，各顧各致力於自己的項目，因而，這個研究項目不能稱得上是普通意義上的會議。該研究領域在基本理論層面沒有達到一致見解，特別是在關於學習的基本理論方面缺少統一定義。AI研究領域的發展並不是建立在方法，問題選擇或普通理論的一致性上，而是研究者之間擁有共同的願景——可以是計算機執行智能任務。在1956年大會的提案中，該願景被加粗描述：「我們的研究建立在這樣的一種猜想之上，即（人類的）學習的每一方面或者智能的任意一種特徵在原則上都能夠被精確描述，並可以由機器可以用來模擬學習和智能，我們的研究是建立在這一猜想的基礎之上」。
儘管在過去的50年間，AI研究領域取得了多方面的成功，在該領域中仍存在無數明顯的分歧。經常出現不同的研究領域不願意合作，研究者使用不同的研究方法，仍然缺少關於智能或學習統一的基本理論，使得該領域的研究能夠保持一致性，實現同步發展。（編者按：在近十年來情況有所變化，以深度學習爲代表的方法成爲了人工智能的主流方向。儘管如此，學界仍在期待其他的理論在人工智能領域方面的突破，不可否認的是，1956年的達特茅斯會議正是人工智能領域最重要的歷史性里程碑之一，並仍然在指導着人工智能未來研究的方向。）
本文由雷鋒網(公衆號：雷鋒網)編譯，未經允許拒絕轉載！
