圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜專家系統（Expert System）是什麼教學封面
🎙️ 日野遼開場廣播：揭開「專家系統」的神秘面紗
「嘿，各位聽眾朋友們，歡迎來到白話實驗室！我是日野遼。」
上一集我們聊到了「AI 冬天」，當年因為科學家畫大餅失敗，導致研究資金全數被凍結。但你可能會好奇，在進入冰河期之前，到底是哪一項技術讓大家嗨到不行，以為 AI 已經準備好接管世界了？
其實，當時的科學家想到了一個超暴力的破解法：「既然電腦不會自己變聰明，那我們直接把人類專家的腦袋『下載』進電腦裡不就好了嗎？」
準備好揭開它神秘的面紗了嗎？這裡是白話實驗室——Let’s go！
📌 名詞解碼：專家系統 (Expert System)
- 英文名稱： Expert System
- 一句話定義： 透過將人類專家的「判斷邏輯」寫成程式，用龐大規則來模擬專家思考的早期 AI。
❓ 這是什麼？
專家系統是 1970 到 1980 年代最主流的 AI 技術。
與現代會「自己吃資料找規律」的機器學習完全不同，它非常依賴人類的輸入。
工程師必須把醫生、律師或老師傅腦袋裡的判斷準則，全部寫成程式碼存入「知識庫」中，再透過「推論引擎」進行運算，讓系統能在特定領域給出專業的診斷或建議。
🧠 白話解釋
想像你在看一本超厚的「電器維修圖解 SOP 說明書」。
- 第一頁寫著：「如果（IF）電視沒畫面，那麼（THEN）翻到第二頁」。
- 第二頁寫著：「如果（IF）插頭有插好，那麼（THEN）翻到第三頁檢查保險絲」。
專家系統就是把這本超厚的 SOP 說明書「數位化」。
記住，它不是在思考，它是在翻書。
它本身不會學習，只是完美、快速且不知疲倦地照著人類寫好的幾萬條規則跑流程，最後告訴你解答。
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜專家系統解析漫畫
💡 記住這一句就好：
把達人腦袋變成超大型 IF-THEN 規則書！
🎬 白話小劇場｜超大本 SOP 手冊
(實驗室裡，宙猩看著眼前一台印著「天才醫生」的笨重電腦抓著頭，墨星正在旁邊瘋狂打字輸入厚厚一疊的筆記...)
🦍 宙猩： （抓頭）所以專家系統就是一個超級聰明的機器人醫生？
🐈 墨星： 與其說它聰明，不如說它是一本翻得很快的「超大型數位 SOP 手冊」。
🦍 宙猩： SOP 手冊？那它要怎麼幫人看病啊？
🐈 墨星： 工程師會先問老醫生：「如果病人發燒該怎麼辦？」然後把答案寫成「IF 發燒 THEN 開退燒藥」的程式碼。醫生講一句，工程師就寫一行。
🦍 宙猩： 哇，那如果出現了一種醫生從來沒遇過的怪病呢？這本手冊會自己更新嗎？
🐈 墨星： 這就是它後來被淘汰的原因。它完全不會自己學習，遇到手冊上沒寫的怪病，它就會直接當機。
它不是不會看病，是劇本沒寫就不會演。而且當手冊厚達幾十萬頁的時候，要修改其中一條規則，常常會導致整個系統崩潰。
💡 專家系統的核心功能與歷史場景
核心三大功能：
- 知識庫儲存（Knowledge Base）： 儲存大量由人類專家提供的領域知識與 IF-THEN 規則。
- 邏輯推論（Inference Engine）： 基於輸入的條件，在知識庫中進行精準的連鎖邏輯推導。
- 解釋功能（Explanation Facility）： 能向使用者解釋「我是根據哪一條規則得出這個結論的」。
📊 歷史上的技術應用場景
- 醫療診斷輔助系統： 如早期的 MYCIN 血液感染診斷系統。
- 工業自動化檢修： 輸入 CNC 加工機台異常代碼，系統自動推斷故障零件並提供維修指南。
- 金融信用風險評估： 依據財力與信用紀錄的死板法規自動審核貸款。
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜專家系統應用情境
⚠️ 常見的 AI 迷思與易混淆比較
- ❌ 以為它會「自我學習」： 專家系統完全沒有學習能力。如果人類沒有事先把某個特殊狀況的規則寫進去，系統遇到時就會給出錯誤答案或當機。
- ❌ 以為它跟現在的 ChatGPT 一樣： 現在主流是「機器學習（吃資料自動找規律）」，而專家系統是傳統「符號 AI（純粹靠人類手寫死板邏輯）」，兩者運作邏輯完全相反。
🆚 易混淆比較：專家系統 (Expert System) vs. 機器學習 (Machine Learning)
大家常搞錯上一代與這一代 AI 的運作邏輯！以下是它們的核心差異：
💡 一句話秒懂差異：
👉 專家系統：人教電腦怎麼想
👉 機器學習：電腦自己學怎麼想
1.知識來源
🤖 專家系統：由人類專家手動輸入邏輯規則。
🧠 機器學習：系統自動從海量數據中找規律。
2.學習能力
🤖 專家系統：無（只會照規則走，不會進步）。
🧠 機器學習：有（看過越多資料，預測越準確）。
3.維護成本
🤖 專家系統：極高（修改一條規則可能牽動全身邏輯）。
🧠 機器學習：較低（重新輸入新資料訓練即可更新）。
4.透明度
🤖 專家系統：高（能清楚顯示是根據哪條規則推導的）。
🧠 機器學習：低（運作過程容易變成無法解釋的黑箱）。
💡 小提醒：如果你正在準備 iPAS，一定要了解專家系統屬於「Rule-based（基於規則）」，與現在的「資料驅動」完全不同！
👉 收藏這篇圖卡，考試遇到觀念辨析就不怕被選項騙了。
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜專家系統 vs. 機器學習差異圖
⚙️ 運作原理 (How It Works)
1.知識擷取： 工程師訪談領域專家，挖出他們判斷事情的訣竅。
2.建立知識庫： 將這些訣竅轉化為成千上萬條的邏輯指令（IF 條件... THEN 結果）。
3.使用者輸入： 使用者向系統介面輸入目前遇到的真實狀況或數據。
4.引擎推論： 系統的「推論引擎」在知識庫中比對規則，進行連鎖推導。
5.輸出結論： 給出最終的專家級建議，並顯示出推導路徑。
🎯 寫給準備 iPAS 考試的你
💡 小提醒： 如果你正在準備 iPAS 巨量資料或 AI 應用工程師考試，一定要了解專家系統屬於**「Rule-based（基於規則）」**，與現在的「資料驅動」完全不同！
⚡ iPAS 秒殺判斷法
考試看到以下關鍵字，毫不猶豫選「專家系統」！
- ✅ IF-THEN / 基於規則 (Rule-based)
- ✅ 知識庫 / 規則庫
- ✅ 專家訪談 / 知識擷取
- ✅ 推論引擎
🔍 狙擊雷達（考點提示）
- 核心架構： 專家系統是由「知識庫（存放規則）」與「推論引擎（進行運算）」兩大核心組成。
- 技術特徵： 屬於 Rule-based（基於規則），沒有從資料中自我學習的能力。
- 歷史地位： 帶動第二波 AI 浪潮的主力，也是後來因維護困難而引發第二次 AI 冬天的主因。
💊 考前速充膠囊
- 定義： 將專家經驗轉化為 IF-THEN 規則進行邏輯推導的 AI 系統。
- 核心特徵： 依賴知識庫與推論引擎、無法自我學習、後續維護成本極高。
- 考試重點： 必記「知識庫+推論引擎」兩大架構，並能與機器學習的「資料驅動」做出區分。
🔬 實驗室隨堂考
【選擇題】
某醫院在 1980 年代導入了一套人工智慧系統來輔助診斷。工程師必須先花好幾個月訪談老醫師，並把老醫師的診斷邏輯寫成好幾萬條「如果發燒且咳嗽，則可能是感冒」的程式碼存進知識庫裡。這套系統屬於下列何種技術？
(A) 深度學習
(B) 專家系統
(C) 卷積神經網路
(D) 非監督式學習
【判斷題】
專家系統因為擁有龐大的知識庫，所以當它遇到一種從未見過的新型病毒時，它可以自己從網路上的數據庫中自動學習並產生新的看診規則。
(解答請見文章最底部)
📚 延伸知識與歷史背景
- 難度標記： ⭐️ 基礎（想像成超大型心理測驗或 SOP 流程圖，就能輕易理解）
- 先備概念： 人工智慧 (AI)、演算法 (Algorithm)
- 關聯概念： 知識工程 (Knowledge Engineering)、推論系統 (Inference System)、AI 冬天 (AI Winter)
📖 歷史背景：
專家系統在 1970 年代誕生，並在 1980 年代迎來商業化高峰，造就了第二次 AI 浪潮，代表作是能診斷血液感染的 MYCIN 系統。當時各大企業瘋狂導入，認為只要規則寫得夠多就能取代人類。
然而，它很快撞上了「知識獲取瓶頸」——把人類直覺化為死板規則太困難，且維護幾萬條衝突代碼的成本高得嚇人。最終泡沫破裂，直接引發了著名的「第二次 AI 冬天」。
📡 關於白話實驗室 White-Lab
- ☀️ 日野遼｜ 本所主持人，負責把 AI 從火星文翻譯成人話。
- 🐈 墨星｜ 冷靜理性的知識解構者，專門拆穿那些高深的科技迷思。
- 🦍 宙猩｜ 好奇心爆棚的初學者，總是替你問出那句：「這到底是什麼？」
🧱 你已解鎖第 8 塊 AI 金磚！
在這場 144 塊金磚的旅程中，你正在從「看不懂 AI」，走向「看懂世界的運作方式」。
📌 下一站預告： 📡 AI 名詞卡 #109 知識工程 (Knowledge Engineering)
🧪 實驗室隨堂考解答
- 選擇題：(B) / 判斷題：(X)
- 解析： 選擇題中，依賴人類專家訪談並撰寫 IF-THEN 規則存入知識庫的，正是典型的專家系統 (B)；判斷題錯誤，專家系統「沒有自我學習能力」，遇到沒寫在規則裡的狀況就會直接停擺無法處理。
🌌 White-Lab 星系導航站
迷路了嗎？這裡是 White-Lab 的總部。在這裡，你可以查看 144 塊 AI 金磚的全圖譜，以及所有已解鎖的名詞傳送門，讓你的學習路線不迷航。
👉 點我查看【White-Lab 創刊宣言】AI 入門必看：144 張 AI 名詞卡打造完整學習地圖
💡 墨星的防呆導航
知識如果沒有結構，就只是碎片。建議將這份「總目錄」加入書籤，未來每一個 AI 概念，都會在這裡串起來。
🐈 墨星：「你以為你在學 AI，其實你在學『如何看懂未來』。」
