从核弹到早产婴儿，人工智能技术已经最终成为足够可靠的监视一切的手段。
在一个有血有肉的医生和一个人工智能系统之间，两者选择其一来作出疾病诊断，佩德罗·多明戈斯更乐意把自己的生命押注到人工智能系统上。佩德罗·多明戈斯是西雅图华盛顿大学的一名计算机科学家，“我宁愿相信机器也不要相信医生，”他说。考虑到人工智能（AI）通常获得的差劲口碑——过度炒作，乏善可陈——如此强烈的支持声音确实鲜见。
回到二十世纪六十年代，AI系统在复制人脑的某些关键方面似乎大有前途。通过使用数理逻辑，科学家开始重现和推理现实世界的知识，但是，很快这种方法沦为AI的枷锁。尽管数理逻辑在模拟人脑（解决问题）方面富有成效，但是它在本质上并不适合处理不确定性。
然而经过因自我枷锁造成的漫长封杀之后，AI这个广受诟病的领域却重新兴盛起来。多明戈斯并非唯一对其抱有全新信心的科学家。研究者希望通过成熟的电脑系统来检测婴儿疾病，把口头语言翻译成文本，甚至是找出恶意核爆。这些由成熟的电脑系统展现出来的早期能力就是最初在AI界引起人们广泛兴趣的东西：即使在纷繁复杂的世界，电脑仍具有像人类一样的推理能力。
处于AI复兴核心的是一种叫概率性程序的技术，它在旧有AI的逻辑基础上加入统计概率的应用。“它是两种最强大的理论的自然统一，这两种理论已经被发展来理解和推导这个世界。”史都华·罗素说，他是加州大学伯克利校区现代人工智能方面的先驱。这套强大的综合体终于开始驱散笼罩在AI漫长严冬上的迷雾。“这肯定会是一个（AI的）春天。”麻省理工学院的认知科学家约什·田纳邦说。
“人工智能（artificial intelligence）”一词于1956年由MIT的约翰·麦卡锡创造。那时，他提倡使用逻辑语言开发能进行推理的电脑系统。该方法随着所谓的一阶逻辑的应用趋于成熟。在一阶逻辑中，现实世界的知识通过使用正式的数学运算符号和标记进行模化。它为客观体世界和客观体间相互关系而设，能够用来解析他们之间的联系并得出有用的结论。例如，如果X（某人）患有高传染性的疾病Y，患者X与某人Z近距离接触，那么用这种逻辑便可推导Z患有Y疾病。
然而，一阶逻辑最大的功劳是它允许越来越复杂的模型由最小的结构模块构建起来。例如，上述情况可以轻易地延伸到建立流行病学的致死传染病模型，以及对其发展进行结论性推导。这种把微小概念不断扩展成概念集合的逻辑功能意味着人类大脑中也存在类似的思维模式。
这个好消息并没有存在得太久。“不幸的是，最终，逻辑没能实现我们的期待。”加州斯坦福大学的认知科学家诺阿·古德曼说。由于使用逻辑来表现知识并进行推理的过程要求我们对现实世界的实际知识有精确的掌握，容不得半点模糊。要么“真”要么“假”，不存在“也许”。而不幸的是，现实世界，几乎每一条规则都充满了不确定性、干扰和例外情况。简单地用一阶逻辑构建的AI系统不能处理这些问题。举例来说，你想分辨某人Z是否有疾病Y，这里的规则是清晰明白的：如果Z与X接触，那么Z患病。但是一阶逻辑不能处理Z在或者已经感染或者没有之下的情况。另一个严重的问题是，一阶逻辑不能逆向推导。例如，如果你知道Z患有疾病Y，你不可能完全确定Z的疾病是从X那里感染的。这是有医学诊断系统面临的典型问题。逻辑规则能够将疾病和症状联系起来，而一个医生面对症状却能逆推出其病因。 “这需要转变逻辑公式，而且演绎逻辑并不适合处理这种问题，”田纳邦说。
这些问题意味着到了二十世纪八十年代中叶，AI的冬天到来了。当时流行的看法是：AI毫无发展可言。然而，古德曼私下相信，人们不会放弃AI，“AI转入地下发展了，”他说。
1980年代末神经网络的到来让AI的解冻露出第一线曙光。神经网络的想法之简单让人惊叹。神经系统科学的发展带来了神经元的简单模型，加上算法的改进，研究者构建了人工神经网络（ANNs）。表面上，它能够像真正的大脑一样学习。受到鼓舞的计算机科学家开始梦想有上百万或者上万亿神经元的ANNs。可是很快地，事实证明我们的神经元模型显然过于简单，研究者都分不清神经元的哪些方面的性质是重要的，更不用说模仿它们了。