專家系統（expert system）
/ EK-spurt SIS-tum /
專家系統是一種程式，它把某個狹窄領域裡人類專家的「門道」捕捉下來，然後像那位專家一樣回答問題、提供建議。想像一下，把一位老練醫師的診斷思路，或一位老技師的排障直覺，裝進軟體裡，讓外行也能向它諮詢。它是1970、1980年代符號人工智慧在商業上的招牌成果。
在引擎蓋之下，專家系統主要有兩部分：一個知識庫——從人類專家那裡採集來的大量「若—則」規則與事實；以及一個推理機，負責把這些規則串聯起來得出結論。你向它詢問一株生病的植物，它就會逐條走過規則（「若葉片發黃、且土壤潮濕，則懷疑根腐病」），就像那位專家一樣，而且常常會解釋每一步，好讓你看清它的推理。著名的例子包括用來診斷細菌感染的MYCIN，以及用來鑑定化學結構的DENDRAL。
在穩定、界限分明、專長能寫成規則、事實又不大變動的領域裡，專家系統大放異彩。但它們造價高、搭建慢——靠人手把專家的知識抽取並編碼出來，是件苦差事——而且很脆弱：讓它碰上一個剛好越出規則邊界的案例，它就拿不出常識來兜底了。它們也無法自行從新資料中學習。當這些侷限和高昂的維護成本暴露出來時，熱潮便冷卻成了所謂的「AI寒冬」之一。不過這個思路並未消失——它活在今天的規則引擎和決策支援工具裡。
MYCIN（史丹佛，1970年代初）為血液感染的抗生素治療提供建議。它會向醫師提問，串聯起數百條由專家提供的規則，進而推薦用藥和劑量——甚至會給自己的把握程度打分。在測試中它有時能與專科醫師比肩，卻始終未在臨床中投入使用，部分原因在於責任歸屬，以及讓規則保持更新所需的工夫。
MYCIN：一個早期的專家系統，推理起來像專科醫師——也同時顯出了基於規則的AI的希望與脆弱。
專家系統的水平，只取決於人類放進去的規則有多好、有多新；它無法從經驗中學習，知識庫之外也沒有任何常識。1980年代專家系統的繁榮與崩塌，正是「AI寒冬」如何降臨的教科書式例子。