發現系統是一個人工智能系統，它試圖發現新的科學概念或規律。發現系統的目的是使科學數據分析和科學發現過程自動化。理想情況下，一個人工智能系統應該能夠系統地搜索所有可能的假設空間，并得出最能描述數據中復雜模式的假設--或一組同樣可能的假設。在被稱為第二個人工智能之夏的時代（大約1978-1987年），類似于該時代主流專家系統的各種系統被開發出來，以解決從數據中提取科學假設的問題，無論是否與人類科學家互動。這些系統包括Autoclass、AutomatedMathematician、Eurisko（旨在發現通用的假說），以及更具體的系統，如Dalton（從數據中發現分子特性）。隨著第二次人工智能冬天的到來和隨后神經網絡等亞符號方法的重新興起，建立發現科學假設的系統的夢想被推到了背景。亞符號方法強調預測而不是解釋，產生的模型效果很好，但很難或不可能解釋，這使它們被稱為黑箱人工智能。黑箱模型不能被視為科學假說，這一發展甚至導致一些研究人員提出，科學的傳統目標--發現關于現實結構的假說和理論--已經過時。其他研究者不同意，他們認為亞符號方法在很多情況下是有用的，只是不能用于生成科學理論。20世紀70年代和80年代的發現系統Autoclass是1986年編寫的貝葉斯分類系統AutomatedMathematician是最早的成功發現系統之一。它寫于1977年，通過生成和修改小型Lisp程序來工作。

Eurisko是自動數學家的續集，寫于1984年。Dalton是一個仍在維護的程序，能夠計算各種分子特性，最初于1983年推出，自2017年起可開放源代碼。Glauber是一個科學發現方法，在計算科學哲學的背景下寫于1983年。現代發現系統（2009年至今）經過幾十年對發現系統的興趣不大。邁克爾-施密特（MichaelSchmidt）的工作重新激發了人們對使用人工智能來發現自然規律和科學解釋的興趣，他當時是康奈爾大學計算生物學的博士生。施密特和他的導師HodLipson發明了Eureqa，他們將其描述為一種從實驗數據中提煉出自由形式的自然法則的符號回歸方法。這項工作有效地證明了符號回歸是人工智能驅動的科學發現的一個有希望的發展方向。自2009年以來，符號回歸已經進一步成熟，今天，各種商業和開源系統正積極用于科學研究。突出的例子包括Eureqa（現在是DataRobot人工智能云平臺的一部分）、AIFeynman和QLattice。