1957年，人工智能（artificial intelligence，AI）的先驱、通用问题求解机（Gobal problem solver）的发明者之一赫伯特·西蒙（Herbert A．Simon）曾说过：“我不是故意让你震惊，但概括来说，现在世界上就已经有了可以思考，可以学习和创造的机器，而且它们的能力还将与日俱增，一直到人类大脑所能够应用到的所有领域。”
西蒙当时曾预言，计算机会在十年之内成为国际象棋冠军。然而现实比西蒙的预测落后了三十年——直到1997年，IBM的电脑“深蓝（Deep Blue）”才战胜了象棋冠军加里·卡斯帕罗夫（Garry Kasparov）。
卷土重来在人工智能发展早期，学术界和工业界对其前景持有一种过分乐观的态度——这种乐观与其说是对技术的期望过高，倒不如说是当时人们对机器能力的估计实在是过低，以致于当计算机表现出一点点聪明，人们就为之惊叹，而这种惊叹又很容易演化成一种过分的自信。
这样的自信自然无法长久。度过了最初的兴奋后，无论是工业界还是学术界都遭遇了巨大的困难。以机器翻译为例，早期人们以为机器翻译只需要进行字典的对应转换，再加上人为制定的语法规则就能实现；而实际应用时却发现，这样的系统无法应对哪怕稍有复杂的多重语义，也无法针对上下文语境做出恰当的反应，很多理论上能够实现的算法也无法在有限的计算资源上展开。
1973年，英国政府委托数学家詹姆斯·莱特希尔爵士（Sir James Lighthil），对人工智能进行全面评估。结果显示，人工智能无法应对现实世界中存在的“组合爆炸”问题，因此只能实现一些简单的应用。以这份报告为基础，英国政府停止了对AI领域的研究支持。在这之后，人工智能研究陷入了长久的沉寂。
在近半个世纪之后，人工智能领域才又再一次回到人们视线，而这一次，我们拥有的资源与之前可谓不可同日而语——计算资源已经部署在云端，像水和电一样唾手可得；互联网所容纳的信息超过了前人所有的知识储备，现实和虚拟世界也不再泾渭分明。以深度学习为代表的算法发展，也使得机器有能力处理如此庞大的数据。
如果说这些只是理论，那么IBM的超级计算机“沃森（Watson）”在电视节目《危险边缘》（Jeopardy）中战胜人类，获得年度总冠军；Google X的虚拟大脑在没有预先输入的情况下，独立地从Youtube上的1000 万帧图片中学习到了“猫”的概念，就早已不是理论上的可能性，而是真实发生的现实。
第四次工业革命的前夜
尼尔·杰卡布斯坦（Neil Jacobstein）在一次演讲中曾说过这么一句话：“当你站在太空中回望地球，你看不到争吵不停的200多个国家；而当你深入自然奥秘之中，你也看不到界限分明的学科划分。”这句话在一定程度上，可以代表杰卡布斯坦所在的奇点大学（Singularity University）的宗旨。与其说这所大学在教授最前沿的技术，倒不如它在传播最先进的理念。奇点大学专注的不是技术，而是现实世界的改变，这种改变无疑需要一种融合的视角才可能打破我们心智的成见，去实现真正的进步。
这一点对于杰卡布斯坦来说，并不是问题。作为奇点大学的人工智能与机器人项目负责人，他曾在斯坦福研究增强决策系统（augmented decision system），并担任过创新应用人工智能会议主席，同时有着环境科学与分子生物学背景。杰卡布斯坦对于整合也是游刃有余。
在杰卡布斯坦眼中，人工智能的发展同世界的改变一样，需要融合。杰卡布斯坦将AI划分为三个大的领域：机器学习，规则化的知识库，以及对于人类大脑的逆向工程。这三个方面也恰好对应着人工智能的三种主要做法。
机器学习机器学习主要的目的是使机器拥有学习的能力。举例来说，当我们登录电子邮箱时，遇到一封广告邮件。我们手动将这封邮件标记为广告，并将其归为垃圾邮件。这个动作其实就是在对机器进行指导，在机器学习中，这一过程称之为标注，而机器可以从所有被标注为垃圾的邮件中，发现其共有的模式，并使用这种模式来对未知的邮件进行预测。此外，机器也可以在没有预先输入的情况下，自己进行学习，例如上文提到的Google X虚拟大脑。