人工智能中模糊逻辑的一个经典例子是专家系统 Mycin。

模糊逻辑可用于处理概率和不确定性。

例如，如果看谓词逻辑，那么每个陈述要么是真，要么是假。实际上，我们没有这种数学确定性。

例如，假设医生（或专家系统）看到的症状可归因于几种不同的疾病（例如 A、B 和 C）。医生现在将更高的可能性归因于患者患有这三种疾病中的任何一种的可能性。没有明确的真假陈述，但权重有所变化。这可以反映在模糊逻辑中，但在符号逻辑中则不那么容易。

我的印象是，模糊逻辑的相关性大多下降了，概率逻辑已经占据了它的位置。（参见Wikipedia 上的比较。）两者有一定的密切关系，因此主要是视角和语言的变化。

也就是说，模糊逻辑主要适用于范围不确定的标签。一个冷但不太冷的物体可以被描述为冷或暖，模糊逻辑通过为“冷”和“暖”标签分配一些分数真值而不给“热”标签分配真值来处理这个问题。

概率逻辑更多地关注给定某些观察结果的某些事实的概率，并且深入关注观察结果的不确定性。当我们查看电子邮件时，我们会跟踪我们认为该电子邮件是“垃圾邮件”并且不应该向用户显示某个数字的信念，并在我们看到支持和反对它是垃圾邮件的证据时调整该数字。