根據Grady Booch的說法，當前大多數AI系統都是關于邊緣信號的模式匹配和歸納推理，而不是真正的人工智能。在2018年QCon舊金山舉行的第二天主題演講“建造魔法之地”中，他解釋了自己的觀點，即當今的AI是“ AI組件的系統工程問題”。

True AI使用決策和歸納推理，使那些系統能夠推理和學習。當前的人工智能應用遠遠不能實現這一目標。它們只是大型系統中的組件。

當代AI并不是最近才起源的，因為許多架構和算法都已經有數十年的歷史了。今天的差異是計算能力的豐富和大量標記數據的存在。實際上，使用數據來理解數據并將其轉換為正確的格式通常會比建立模型花費更多的工作。

模式匹配是關于教導具有大量證據的系統來搜索什么。如今，這主要是圖像，視頻和音頻之類的信號。這些信號往往位于系統的邊緣，而不是中心。實際匹配通過歸納推理完成。歸納推理不是決策。通過查看數據建立理論也不是歸納推理。

當代的AI也不是那么現代?，F有算法已經存在了數十年。例如，第一個人工神經元的歷史可以追溯到1956年，因此神經水平計算的思想已經存在了很長時間。但是，現在您擁有大量的標記數據，以及大量可用的計算能力?；旧?，舊的算法現在是實用的，但是這些算法與推理和學習無關。推理意味著在人類的某些層次上，歸納，演繹和綁架混合在一起。隨著時間的推移學習也是必要的。沒有所有這些要素，它實際上不是人工智能。

綜上所述，人工智能的發(fā)展有很多春季和冬季。第一個冬天是在1950年代冷戰(zhàn)時期。為了將俄語翻譯成其他語言，機器翻譯引起了極大的興趣。根據一個經常被引用的故事，他們發(fā)表了諸如“精神愿意，但肉體薄弱”之類的說法。翻譯成俄文后，結果是“伏特加很結實，但肉爛了”。語言學習比人們最初想的要難得多。

明年春天出現了紐維爾(Newell)的思想和邏輯理論家特里·維諾格拉德(Terry Winograd)，他們運用了操縱小世界的想法，從而取得了一些進展。當然，那是馬文·明斯克(Marvin Minsk y)宣布三年內將具備人類智能的時候。沒有人再提出這種要求了。計算能力和表達能力是這種方法的局限性。

接下來是Ed Feigenbaum等人首先開發(fā)的基于規(guī)則的系統?；贛YCIN的醫(yī)學診斷就是通過這種方法實現的?？藏悹枩?Campbell Soup)使用這些技術來捕獲其秘密配方，因此它們不依賴于人類的記憶。問題在于基于規(guī)則的系統在經過數百條規(guī)則后無法擴展。Symbolics和其他公司試圖基于這些系統構建硬件。當這些系統的局限性變得明顯時，DARPA停止了資金投入，又是另一個AI冬季。