人工智慧的概念誕生之初，人類認為只要賦予機器邏輯和推理的能力，機器就能具備有一定的智慧，輔助或代替人類做出判斷。所以，早期的研究以數理邏輯為主流，以證明數學公式和定理為己任。但隨著研究的推進，人們逐漸認識到，僅僅具有邏輯推理，計算機的能力還遠遠不夠。那還缺少什麼呢？這時候，費根鮑姆出現了，他提出了“專家系統”，引領人工智慧走向第二次高潮。費根鮑姆認為，機器要具備智慧，僅僅擁有推理能力是不夠的，他還必須擁有大量的知識，把這些知識放在一起，叫做知識庫，它可以幫助進行邏輯推理、制定規則，根據規則，計算機可以自動從一個站點到達下一個站點，做出決策。簡單來講，就是不僅要講道理，還要有文化。這之後，知識庫開始興起，大量的專家系統問世，人工智慧進入了“邏輯推理+專家知識=規則”的新階段。在費根鮑姆的領導下，斯坦福大學接連開發了好幾個當時著名的專家系統。1984年，他們開發了一個輔助醫生研究血液傳染病的系統MYCIN，然後模擬醫生開出藥方。費根鮑姆利用知識加邏輯制定了400多條規則。他可以和醫生對答，然後給出答案。例如，如果患者已經確診為腦膜炎，如果感染型別為真菌，如果患者到過球孢子菌盛行的地區，如果腦髓液檢測中的隱球菌抗原不是陽性。那麼隱球菌就有50%的可能，並非是造成感染的有機物之一。可以看出，專家系統就是把世界上某一個問題可能出現的情景用“如果……，那麼……”一一羅列出來，他們表現為規則一條規則沒什麼了不起。但有幾百條、幾千條，甚至幾萬條規則，就可以回答這個領域的絕大多數問題了。在構建規則之前，程式設計師和領域專家必須進行密集的討論，把一個領域所有的知識梳理成一條條獨立分離的規則，再用這些規則搭建成為一個“事實”的整體。就像蓋房子一樣，開發這些規則的過程稱為知識工程，所以他們也被稱為知識工程師。當這些規則在使用者面前呈現出來的時候，會令使用者非常驚訝，因為沒有一個人可以記住並且使用這麼多條規則。當MYCIN這個系統面世的時候，就有醫生驚歎，它怎麼什麼都知道，就像是人工生成的血液傳染病博士。後來斯坦福大學把MYCIN專家系統作為一個培訓工具向實習醫生開放，幫助實習醫生儘快的掌握日常工作中所需要的知識。例如，實習醫生和系統之間會做這樣的對話：系統說：患者多大年齡？醫生說：為什麼要問年齡？系統：這有助於我們判斷患者是否適合做手術。根據057號規則，如果患者年齡超過了80歲且身體比較虛弱，那就不適合做開胸手術。
作為人工智慧最為成功的應用，專家系統也在工業領域得到了廣泛應用，一個最著名的例子是卡內基—梅隆大學開發的一個程式，它有1萬多條規則，可以根據使用者的不同需求自動配置每一臺計算機上的電路板。這個專家系統已經在大名鼎鼎的美國數字裝置公司投入使用了。據該公司統計，1980～1986年，它們協助處理了8萬份訂單，準備率達到95%以上，每年為公司節約了2500萬美元
1994年。費根鮑姆獲得了圖靈獎，被譽為“專家系統之父”。專家系統在軍事領域也有廣泛的應用。費根鮑姆還擔任過美國空軍的首席科學家。
