我并不是有意让你感到惊讶或震惊……然而我可以用最简单的方式作出总结：目前世界上存在着一些会思考、会学习、会创造的机器。并且它们做这些事情的能力正在迅速提高，在不远的将来，它们处理问题的范围，在时空上将达到人类心灵已被应用到的范围(Newell and Simon 1958:6)。
他和纽厄尔解释道：
我们现在掌握了启发式的(不同于算法式的)问题求解理论的要素，而且我们使用这一理论，既可以理解人类的启发式过程，也可以用数字计算机模拟这些过程。直觉、顿悟、学习不再为人类所专有，任何大型高速计算机都可以通过编程表现出这些能力(New-ell and Simon 1958:6)。[1]
罗森布拉特在一种他称为感知机的装置上将他的想法付诸实现。[2]1956年时，罗森布拉特就能够训练一台感知机将某些类型的模式分类为相似的，并把它们与另一些不相似的模式区分开来。1959年时，他再次感到欢欣鼓舞，认为他的方法已得到证明：
13 造就心灵还是建立大脑模型：人工智能的分歧点
[1] 启发式规则是那些在人类使用时被看作为基于经验或判断的规则。这些规则常常引出一些问题的可取的解答，或是提高问题求解过程的效率。而算法保证了在有限时间内得到一个正确的解(如果解存在的话)，启发法仅仅增加找出可取的解答的可能性。
[2] 鲁梅哈特和麦克莱兰(Rumelhart and McClelland 1986)对感知机有如下描述：“构成这样一些机器的是通常称为视网膜的东西，即一排有时被看作排列在二维空间布局上的二元输入；一组谓词，即一组二元阈值单元，它们与视网膜中的单元子集合具有固定联结，使每一谓词都计算出与它相联结的单元子集合上的某个局部功能；以及一个或多个决策单元，它们与谓词的联结是可修正的”(i.111)。他们对比了像感知机那样的并行分布式处理(PDP)模型存储信息的方法和符号表述存储信息的方法的不同：“在大多数模型中，知识作为一个模式的静态摹本被存储着。检索相当于找出长时记忆中的模式，并把它复制到一个缓冲存储器或工作记忆中。长时记忆中的存储表述方式与工作记忆中的活动表述方式并无真实区别。然而在PDP模型中并非如此。在这些模型中，被存储的不是模式本身，而是使这些模式得以被再创造的单元之间的联结强度(i.31)……关于任何个别模式的知识，不是存储在为这一模式而保留的专门单元的联结中，而是分布在大量加工单元之间的联结之上”(i.33)。这一关于表述方式的新观念，直接导致了罗森布拉特的这个思想：“这样的机器应该能够通过学习，而不是通过按特征和规则进行编程来获取它们的能力，因为如果知识存在于联结强度之中，那么学习要做的事必然就是找到正确的联结强度，这样就可以在正确环境中产生出正确的激活模式。对这一类模型来说，这是极为重要的特性，因为它提供了信息加工机制能够通过调节其联结方式而学会获得它在加工过程中所处的激活状态之间的”(i.32)相互依存性的可能性。
335