根据Grady Booch的说法，当前大多数AI系统都是关于边缘信号的模式匹配和归纳推理，而不是真正的人工智能。在2018年QCon旧金山举行的第二天主题演讲“建造魔法之地”中，他解释了自己的观点，即当今的AI是“ AI组件的系统工程问题”。
True AI使用决策和归纳推理，使那些系统能够推理和学习。当前的人工智能应用远远不能实现这一目标。它们只是大型系统中的组件。
当代AI并不是最近才起源的，因为许多架构和算法都已经有数十年的历史了。今天的差异是计算能力的丰富和大量标记数据的存在。实际上，使用数据来理解数据并将其转换为正确的格式通常会比建立模型花费更多的工作。
模式匹配是关于教导具有大量证据的系统来搜索什么。如今，这主要是图像，视频和音频之类的信号。这些信号往往位于系统的边缘，而不是中心。实际匹配通过归纳推理完成。归纳推理不是决策。通过查看数据建立理论也不是归纳推理。
当代的AI也不是那么现代。现有算法已经存在了数十年。例如，第一个人工神经元的历史可以追溯到1956年，因此神经水平计算的思想已经存在了很长时间。但是，现在您拥有大量的标记数据，以及大量可用的计算能力。基本上，旧的算法现在是实用的，但是这些算法与推理和学习无关。推理意味着在人类的某些层次上，归纳，演绎和绑架混合在一起。随着时间的推移学习也是必要的。没有所有这些要素，它实际上不是人工智能。
综上所述，人工智能的发展有很多春季和冬季。第一个冬天是在1950年代冷战时期。为了将俄语翻译成其他语言，机器翻译引起了极大的兴趣。根据一个经常被引用的故事，他们发表了诸如“精神愿意，但肉体薄弱”之类的说法。翻译成俄文后，结果是“伏特加很结实，但肉烂了”。语言学习比人们最初想的要难得多。
明年春天出现了纽维尔(Newell)的思想和逻辑理论家特里·维诺格拉德(Terry Winograd)，他们运用了操纵小世界的想法，从而取得了一些进展。当然，那是马文·明斯克(Marvin Minsk y)宣布三年内将具备人类智能的时候。没有人再提出这种要求了。计算能力和表达能力是这种方法的局限性。
接下来是Ed Feigenbaum等人首先开发的基于规则的系统。基于MYCIN的医学诊断就是通过这种方法实现的。坎贝尔汤(Campbell Soup)使用这些技术来捕获其秘密配方，因此它们不依赖于人类的记忆。问题在于基于规则的系统在经过数百条规则后无法扩展。Symbolics和其他公司试图基于这些系统构建硬件。当这些系统的局限性变得明显时，DARPA停止了资金投入，又是另一个AI冬季。
