专家系统（expert system）
/ EK-spurt SIS-tum /
专家系统是一种程序，它把某个狭窄领域里人类专家的「门道」捕捉下来，然后像那位专家一样回答问题、提供建议。想象一下，把一位老练医生的诊断思路，或一位老技师的排障直觉，装进软件里，让外行也能向它咨询。它是1970、1980年代符号人工智能在商业上的招牌成果。
在引擎盖之下，专家系统主要有两部分：一个知识库——从人类专家那里采集来的大量「若—则」规则与事实；以及一个推理机，负责把这些规则串联起来得出结论。你向它询问一株生病的植物，它就会逐条走过规则（「若叶片发黄、且土壤潮湿，则怀疑根腐病」），就像那位专家一样，而且常常会解释每一步，好让你看清它的推理。著名的例子包括用来诊断细菌感染的MYCIN，以及用来鉴定化学结构的DENDRAL。
在稳定、界限分明、专长能写成规则、事实又不大变动的领域里，专家系统大放异彩。但它们造价高、搭建慢——靠人手把专家的知识抽取并编码出来，是件苦差事——而且很脆弱：让它碰上一个刚好越出规则边界的案例，它就拿不出常识来兜底了。它们也无法自行从新数据中学习。当这些局限和高昂的维护成本暴露出来时，热潮便冷却成了所谓的「AI寒冬」之一。不过这个思路并未消失——它活在今天的规则引擎和决策支持工具里。
MYCIN（斯坦福，1970年代初）为血液感染的抗生素治疗提供建议。它会向医生提问，串联起数百条由专家提供的规则，进而推荐用药和剂量——甚至会给自己的把握程度打分。在测试中它有时能与专科医生比肩，却始终未在临床中投入使用，部分原因在于责任归属，以及让规则保持更新所需的工夫。
MYCIN：一个早期的专家系统，推理起来像专科医生——也同时显出了基于规则的AI的希望与脆弱。
专家系统的水平，只取决于人类放进去的规则有多好、有多新；它无法从经验中学习，知识库之外也没有任何常识。1980年代专家系统的繁荣与崩塌，正是「AI寒冬」如何降临的教科书式例子。