Answers:
二十世纪中叶的许多出版物证明了发问者的说法，即在那个时期人们普遍认为AI会迅速变得有意识，自我意识和聪明。
巨大的成功
在冯·诺依曼通用计算体系结构发展之后，许多任务和专业知识形式曾经是人类的专有领域，到本世纪末，它或多或少地成为计算机的专有领域。这些只是几个例子。
失望（到目前为止）
与令人印象深刻的一系列成功相反，失败期望的清单也相当长。
域和无域区分
什么时候能弄清楚设计象棋这样的游戏的程序所导致的软件设计仅适用于像为其编程的游戏这样的游戏？
尽管一般公众可能认为控制论的国际象棋大师也会以其他方式比人更聪明，但是那些创建那些程序的人都清楚地意识到，开发出具有出色国际象棋打法的软件与开发出具有这种能力的软件之间的区别从新手那里学习象棋游戏并反复开发卓越技能。
最终目标一直是强大的通用情报。建立了更多短期可实现目标，以促进向投资者展示进展情况。这是保持军队不断提供研究经费的唯一途径。
第一个里程碑是无需机器学习就能掌握一款游戏。然后，研究转向领域知识的构建，以便在战争期间可以实时实现一类解决方案，改编和计划形式。随着经济统治在二十世纪第三季度变得比军事统治更可取，人工智能的愿景已扩展到涵盖经济学和自然资源管理领域。
考虑一下这种自动化成熟度范围。
首先很容易。最后一个极具挑战性。
当自动化成熟度的这些阶段之间的区别变得明显并且人们对这些区别的认识变得多么清晰时，研究组是一个复杂的概率函数。
关键贡献者
谁是第一个认识到类人一般智能和领域特定智能之间区别的人？
诺伯特·维纳（Norbert Wiener）可能是第一个深刻理解继电器的电子控制（由克劳德·香农（Claude Shannon）理论研究）和闭环控制之间的区别的人。在他的《控制论》一书中，他主要是数学著作，他精确地建立了自校正和自适应系统的基础。约翰·冯·诺伊曼（John von Neumann）理解了编程好游戏和人类学习好游戏的能力之间的区别，并在该主题上发表了很多文章。
实际上，是亚瑟·李·塞缪尔（Arthur Lee Samuel）撰写了第一篇令人印象深刻的演示，演示了游戏软件和机器学习之间的区别。是他将Wiener的工作与当代数字计算机联系起来，并首次创造了机器学习一词。
真实研究与创新的歪曲陈述
博客作者Tim Urban（《赫芬顿邮报》，《 The Blog》在2月10日发布的《人工智能革命：超级智能之路》中提出了人工智能，人工智能，人工智能和人工智能）类别。（2015年4月12日更新）（2015年4月12日更新）在多个地方被AI Stack Exchange引用，但是这些类别之间的区别没有得到精确定义，并且其中包含的思想既未经同行评审也未经其他研究或统计数据验证。
这项工作不亚于普通的科幻小说，其寓意不亚于娱乐性，足以获得一定的知名度，但并非来自可重复实验或随机研究得出的合理结论。本文提供的趋势图具有发明的形状，而不是实际数据的图形表示。
某些材料随后可能被发现具有某些真实性，例如，许多科学研究的非常规解释或科幻小说家的未来主义思想就是这种情况。但是，许多材料导致误解和错误的断言。
我希望对这个问题的精确回答可能会丢掉时间，尽管我希望有人能给出这样的回答。同时，这是线索。... 2007年的论文选集开始于以下内容：
我们创建此编辑本的目的是，通过提供一系列当代研究的连贯介绍来填补科学文献中的明显空白，尽管该研究具有不可或缺的重要性，但迄今为止在科学和技术领域都保持着非常低调的姿态。知识界。此工作之前未曾命名。在本书中，我们将其命名为“人工通用情报”（AGI）。AGI工作与常规“人工智能”研究的不同之处在于，它在短期内明确专注于工程通用智能。
但是，即使这是特定术语“人工智能”的起源，我也可以肯定，人们早些时候已经在“通用情报”和“特定任务”技术之间进行了区分。
关于AGI的Wikipedia文章也有一条线索，其中指出：
但是，在1970年代初期，很明显，研究人员严重低估了该项目的难度。资助AI的机构对强大的AI持怀疑态度，并使研究人员承受越来越大的压力来生产有用的技术或“应用的AI”。
该部分引用本书作为对该声明的支持。实际上，它包含以下词语：
尽管AI领域的大多数创始人继续追求人与机器智能的基本问题，但他们的一些学生和其他第二代研究人员开始寻求使用AI方法和方法解决现实问题的方法。他们的举措很重要，不仅就其本身而言，而且还因为它们表明供资环境朝着更加应用的研究领域逐渐但重要的变化。专家系统的开发，例如SAIL的DENDRAL，仅提供了这种趋势的一个例子。
鉴于DENDRAL始于1965年左右，似乎一些重要的研究人员（或至少是资助者）强烈意识到1960年代末左右对“通用情报”和“应用AI”的研究之间的区别。如果您继续阅读，其他段落会支持DARPA特别是在整个1970年代开始推动对AI研究采用更多“应用”方法的观点。
因此，这不是一个确定的答案，但似乎可以说，至少在1970年之前就已经知道并考虑了这种区别，尽管确切的术语“人工通用情报”的使用似乎是最近的造币。
1973年，英国政府聘请詹姆斯·莱特希尔爵士（James Lighthill）进行了一项关于人工智能状态的“一般调查”。他的报告谴责了当前的AI研究，引发了AI科学家和第一个AI Winter的悲观浪潮。您可以在此处查看Lighthill的报告（以及对其报告的当代批评），但我将总结Lighthill的要点。
James Lighthill爵士将AI分为三类：
高级自动化（或“应用的AI”）显然很有用。基于计算机的CNS研究非常有用，因为我们想更多地了解人类智能。AI的两个领域都取得了一些成功，但是其从业者过于乐观，导致这些领域的失望。尽管詹姆斯·莱特希尔爵士仍然非常支持这两个领域的研究。
另一方面，建造机器人？詹姆斯·莱特希尔爵士对这个想法非常敌视，可能是因为它比其他两个类别更被大肆宣传，并且产生了最少的有价值的产出。
他特别提到象棋作为“机器人”研究失败的一个例子。在该报告发布时，国际象棋引擎处于“英格兰郡县俱乐部球员经验丰富的业余标准特征”水平。但是，这些下象棋的引擎依赖于人类做出的试探法。引擎根本不是智能的……它们只是遵循由智能人类创造的启发式方法。机器人带来的唯一优势是“速度，可靠性和可出价性”，甚至还不足以击败国际象棋大师。
现在，今天，我们可能不会将象棋当作解决通用问题的示例。我们将其更准确地归类为“先进的自动化”，这是一个“狭义的AI”问题，与一般的解决问题的更广泛的现实意义不同。但是詹姆斯·莱特希尔爵士可能会同意我们的观点。他从未使用过“狭窄的AI”和“ AGI”一词（这两个词都不存在），但他会写道：
综上所述，在过去的二十五年中，这一证据以及本作者在B类中从事AI工作的所有其他研究，在一定程度上鼓舞了编写在高度专业化的问题领域中执行的程序，而这些程序需要花很长时间才能完成。考虑了相关领域内人类经验和人类智力的结果，但完全不鼓励寻求模仿人类CNS活动在相当广阔的领域内解决问题的通用程序。这样一个通用程序，是人们梦AI以求的AI活动的长期目标，似乎和以往一样遥不可及。
James Lighthill爵士认为，将高级自动化和基于计算机的CNS研究联系起来的唯一要素是Building Roobts “桥梁”类别的存在。但是他对这个类别实际上产生任何有价值的东西非常悲观。因此，相反，AI领域应该分解成它自己的组成部分（自动化和研究）。然后，所制造的任何机器人都可以在其子领域内进行专业化……工业自动化或CNS研究。试图建立“通用程序”的圣杯至少在目前是毫无价值的。