在大多数领域，从培训和经验中收集的知识将专家与业余爱好者区分开来。这种看似晦涩难懂的观察结果是人工智能史上重点转移的根源。当该领域在20世纪50年代末首次出现时，令人惊讶的是，很少有信息，更少的知识，可用于或可能以数字形式存储，因此研究自然集中在推理方法和实现其目标的逻辑上。但是在1980年左右，出现了一种新的系统，当时称为“专家系统”或“知识系统”。这个想法是以可计算的形式捕获和复制稀缺的人类专业知识，希望能够更广泛和更便宜地提供这种能力。由于我将解释的原因，该领域不再是一个活跃的研究领域，至少在其原始形式。
通常，专家系统是高度专业化的，或者用当时的行话来说，“特定领域。”你可能想知道为什么任何执行足够复杂任务的程序都不被认为是专家系统，或者至少没有回到
这个词被普及了。主要区别在于如何表现专业知识。与当时（现在仍然如此）常见的计算机编程的程序方法相比，将问题分解为一系列顺序步骤，专家系统改为使用不同的方法，符号系统的自然应用 – cept。这些计算机程序将需要专业知识的任务解构为两个组成部分：“知识库” – 事实的集合，规则和关于以符号形式表示的特定兴趣领域的关系 – 以及描述的通用“推理引擎”如何操纵和组合这些符号。明确地代表事实和规则具有以下优点：随着新事实或知识的结合，系统可以更容易地被修改。特别是，人们编程专家系统 – 他们被称为“知识工程师” – 可以通过采访从业者并逐步将他们的专业知识融入计算机程序来创建这些系统，然后可以相应地测试，评估和改进其性能。编程的常用方法要求程序员自己成为该领域的专家，更不用说随时可以进行更改，这两者都是明显的实际障碍。相比之下，专家系统背后的概念是明确地表示域的知识，使其可用于检查和修改。这种方法还允许程序更具容错性，也就是说，它们更倾向于更容易编程错误。同样重要的是
作为一个有趣的历史，在“if-then”规则中捕获专业知识的想法至少可以追溯到17世纪的bce，当时古埃及的纸莎草纸卷以这种形式编纂了外科医生的知识。在真正的印第安纳琼斯风格中，该文件是由收藏家和经销商埃德温史密斯在1862年从卢克索古玩店发现并购买的，但是直到它引起了考古学家JH Breasted的注意才被注意到。
芝加哥大学东方学院，1930 年从原始的象形文字翻译成英文.17
20世纪80年代早期，许多公司主要由AI的学者和研究人员创建，以销售专家系统产品和服务。这些初创公司通常向希望捕获并更好地利用其专家能力的商业和政府组织提供称为“推理引擎”的软件包和相关的知识工程咨询服务。18对这个机会的兴奋引起了风险投资和媒体的关注，推动了繁荣与萧条，与互联网公司后来的投资泡沫不同。
当时广泛使用的教科书将这些系统分类为不完美，分为十大类：解释，预测，诊断，设计，规划，监测，调试，维修，指导和控制。19但是作为一个实际问题，这个领域的从业者经常发现他们使用的工具和框架缺乏足够的表达能力来捕捉实现足够表现所需的专业知识和行为的广度，因此采用专门的手工制作来补充他们的一般工具。组件，降低其系统的实用价值。
专家系统至今仍然存在，并且确实广泛使用。FICO的Blaze Advisor业务规则管理系统就是一个突出的例子。同一家公司提供广泛使用的基于规则的专家系统，用于信用评分和分析。20
今天，由于多种原因，专家系统不再被认为是人工智能研究的一个活跃领域，更不用说是投资机会。其中最重要的是计算机电源，存储和网络的急剧增加导致数据以易于访问的电子形式爆炸，这为将专业知识融入计算机程序提供了一种完全不同的方法 – 消除了手工编写人类实践者的知识和技能的艰辛需求。