一句话定义：模糊逻辑（Fuzzy Logic）是一套让计算机用 0 到 1 之间的连续数值，来表达“某个东西在多大程度上属于某个概念”的推理方法；它不要求计算机只能回答“是”或“不是”。
从空调说起
老式空调的控制逻辑很直接：室温高于 26℃ 就开制冷，低于 26℃ 就停机。结果温度在 26℃ 附近来回摆动，压缩机频繁启停，人也不舒服。
模糊逻辑的做法是先定义几个“语言变量”（linguistic variable）：“冷”“舒适”“热”。但 26℃ 并非只属于“舒适”，它可能同时是“舒适”的 0.6 和“热”的 0.4——这个数值叫“隶属度”（membership degree），由“隶属函数”（membership function）算出来。
接着用一组规则推理：“如果热，就大风制冷”“如果舒适，就小风”“如果冷，就停”。每条规则按隶属度加权，最后把几个结论合成一个具体风速，这一步叫“去模糊化”（defuzzification）。于是输出就是连续的风速，不再只是开或关。地铁进站刹车、洗衣机判断衣物脏污程度、相机自动对焦，用的都是这套思路。这套理论由扎德（Lotfi Zadeh）在 20 世纪 60 年代提出，源头是“模糊集合”（fuzzy set）。
它与概率、布尔逻辑不是一回事
最容易混淆的是“模糊”和“概率”。一句话区分：概率描述的是“会不会发生”，模糊描述的是“算不算得上”。
| 二值逻辑 | 概率 | 模糊逻辑 | |
|---|---|---|---|
| 取值范围 | 只有 0 或 1 | 0 到 1 | 0 到 1 |
| 表达的含义 | 真或假 | 事件发生的可能性 | 属于某概念的程度 |
| 典型问题 | 温度是否高于 26℃ | 明天下雨的概率 | 今天算不算“热” |
| 模糊来自哪里 | 没有模糊 | 随机性 | 概念边界本身不清晰 |
1.78 米的人属于“高个子”的程度是 0.8，这并不表示“有 80% 的概率他是高个子”；他实际身高多少是确定的，模糊的是“高个子”这个词的边界。反过来，抛硬币正面朝上的概率是 0.5，硬币本身一点也不模糊，只是结果不确定。
和深度学习相比：神经网络从数据里自己学规则，效果好但难解释；模糊逻辑的规则是人写的“如果……就……”，可读、可审查，也能在算力很低的芯片上跑。两者也有结合，叫神经模糊（neuro-fuzzy）。
对实际工作的意义
对从业者：规则清楚但边界说不清、又需要可解释性的场景（家电控制、工业调节、风控里的“较高风险”）仍是模糊逻辑的舒适区；它也提醒我们，把连续量硬切成几档标签，会丢掉信息。
对普通人：看模型输出时，多问“这是概率还是打分”；向人描述需求时，与其说“要快要稳”，不如说“响应快占七成、稳定占三成”——这就是在给隶属度。
具体工具与实现细节，以官方文档为准。