专家系统（ES）是最早出现并且最为成熟的人工智能系统类型，它主要是把人类专家的知识通过计算机程序的方式展现出来。虽说专家系统在模拟那些没有分析和数学模型的复杂系统时相当有效，能达到挺高的精度，可它呈现出来的却是一幅非常静态的景象。尽管在这个领域已经取得了很大的进步，但是专家系统工具还是缺乏灵活性和适应性，没办法有效地应对不断变化的工业环境，特别是在制造业领域。从传统角度来看，专家系统的应用范围只局限在它编程设定的情况。为了让它的适用范围变大，需要人工把知识（通常是以规则的形式）添加到知识库中。另外，如果想要在专家系统的应用领域里增加新的参数，就得重新开发整个知识库。比如说，假设开发了一个专家系统，用来根据电弧焊过程中电流和电压的不同设置（预测变量）来估计熔深（响应变量）。之后，如果需要预测新的预测变量——切割速度与另外两个变量一起对熔深以及变形量（新的响应变量）的影响，那么现有的知识库就完全没用了。
知识库被看作是专家系统的核心，让它保持更新是特别重要的。
要让专家系统一直有用、一直有活力，就得不停地去修改它。很明显，为了能做到这一点去请知识工程师是不行的，因为这得很快地更新知识库，而且对效率的要求特别高。机器学习（ML）在这方面给出了解决办法。它在专家系统开发的不同阶段能实现自动化，但是说到专家系统开发的整个过程，像从数据采集一直到开发界面的自动化，以前的研究工作都没给出解决的办法。
以前说的专家系统，虽说在一定程度上靠着机器学习算法实现了自动化，可还是缺少动态性、灵活性，还有自我发展、自我扩展那种很高级的自动化能力。在这样的情况下，现在研究工作主要的目标是开发出一种算法或者软件，能从跟任何有能测量的输入和输出的物理过程有关的数字数据里自动弄出专家系统来。在软件的开发环境里，用户（或者开发者）只要指定预测变量和响应变量，再提供跟这些变量有关的数字数据就行。这个系统还得能接收和调整跟同一个领域有关的新变量和新数据，并且马上相应地更新知识库。因为新变量加进来了，系统还得能在用户界面里调整新的变量。在这方面，已经提出了一种模糊专家系统，它不光能自己学习、自己修改，还能自己扩展。下面是这种能自我发展的专家系统的明显特点：
按照预测变量（输入变量）的值来预测响应变量（输出变量）的值。建议输入变量的最好的值，让选好的一组响应变量的值达到最大或者最小。在开发的任何阶段都能自动调整新输入的变量。依照提供的新数据集自己学习并且进行修改。自动为新输入的变量弄出模糊集，并且根据新增加的数据重新弄出其他变量的模糊集。自动生成知识库的规则。提供解决相互矛盾的规则之间冲突的办法。根据新输入的变量更新专家系统的界面。前面两点讲了专家系统在任何制造过程里的主要目标，其他几点呢则讲了这个系统实现自我发展的那种高度自动化的要求。同时呢，有必要说一说为啥“模糊逻辑”会被当成所提议的专家系统的推理机制。这个专家系统是针对制造过程的，大家都知道，这些过程的参数量化或者建模特别不精确，也不确定。为了对付这种不确定性和不精确性，专家系统就得基于模糊逻辑或者推理。要是不用模糊逻辑，专家系统就跟从统计回归里得出来的经验模型没啥区别了。
目前具身智能的技术正在兴起，望各位大神在焊接专家系统领域有所突破，合作或转让并优化一套具身智能款的专家系统！
