专家系统是一种计算机程序，旨在模拟人类专家在狭窄领域内的决策能力，通常通过将编码规则库应用于用户经由推理引擎提供的事实来实现。专家系统是人工智能领域最具商业意义的应用，推动了1970年代末至1980年代企业AI投资的重大浪潮。
架构
典型的专家系统将知识库（由人类专家贡献的领域事实和如果-则规则集合）与推理引擎分离，后者应用逻辑推理（通常是前向或后向链）来得出结论或建议。专家系统建立在1950年代艾伦·纽厄尔和赫伯特·西蒙开创的推理技术之上，将通用问题解决方法适应于编码狭窄、特定领域的专业知识。许多系统还包括解释功能，可以向用户展示用于得出结论的规则链，这是如今讨论的可解释AI的早期形式，以及置信因子，用以处理纯逻辑无法很好表达的不确定性。
著名实例
早期里程碑式系统包括DENDRAL，于1960年代中期在斯坦福大学开发，用于从质谱数据推断分子结构；以及MYCIN，于1970年代开发，根据患者症状和实验室结果推荐抗生素治疗方案；据报道，MYCIN在某些评估中表现优于初级医生，尽管由于责任和集成问题从未临床部署。在工业界，数字设备公司的XCON系统自1980年部署，用于配置计算机订单，据称每年为公司节省数千万美元，成为广泛引用的商业价值证明。
1980年代的繁荣
XCON的成功推动了整个1980年代专家系统的更广泛繁荣，企业大量投资于专门的“AI”咨询公司和优化符号处理的专用Lisp机器硬件。日本于1982年启动的第五代计算机系统项目旨在构建大规模并行逻辑编程机器，部分围绕专家系统风格的推理，促使美国和欧洲进行竞争性投资。
衰退与第二次AI寒冬
专家系统被证明构建成本高昂，更关键的是维护成本高昂：随着领域扩展，规则库变得笨重，规则之间的交互难以预测，系统对编码知识之外的 novel 情况处理不佳。到1980年代末，随着更便宜的通用工作站性能赶上，专用Lisp机器硬件市场崩溃。这些失败促成了第二次AI寒冬，即AI资金和商业兴趣的急剧回落，持续至1990年代初，与1973年莱特希尔报告中记录的早期资金崩溃相呼应。
遗产
专家系统确立了现代AI中仍然存在的实践：结构化领域知识编码、系统输出解释，以及仍用于某些部署流水线中的基于规则的验证层。它们的概念后裔包括现代知识图谱系统和围绕不可预测的大型语言模型输出分层设置的基于规则的护栏。与从数据中学习模式的现代机器学习系统不同，专家系统完全依赖手动编码的专业知识，这一局限性推动了1990年代以来向统计方法的更广泛转变。