مقدمة إلى المجال الناشئ للذكاء الاصطناعي العصبي الرمزي

في الوقت الحاضر، وبفضل النمو السريع لـ artificial intelligence (AI) وتزايد توفر القدرة الحاسوبية، يتم إطلاق نماذج ذكاء اصطناعي متقدمة بشكل أسرع من أي وقت مضى. في الواقع، يدفع مجال الذكاء الاصطناعي نحو ابتكارات هادفة عبر العديد من الصناعات.

على سبيل المثال، في مجال الرعاية الصحية، تُستخدم أنظمة الذكاء الاصطناعي للمساعدة في مهام مثل تحليل الصور الطبية من أجل التشخيص المبكر. ومع ذلك، مثل أي تقنية أخرى، فإن للذكاء الاصطناعي قيوده الخاصة.

أحد المخاوف الرئيسية هو الشفافية. على سبيل المثال، قد يتمكن نموذج اكتشاف الأشياء من تحديد ورم بدقة في فحص الرنين المغناطيسي للدماغ، ولكن قد يصعب فهم الكيفية التي توصل بها النموذج إلى هذا الاستنتاج. هذا النقص في القابلية للتفسير يجعل من الصعب على الأطباء والباحثين الوثوق بنتائج الذكاء الاصطناعي أو التحقق منها بشكل كامل.

هذا هو بالضبط سبب تزايد الاتمام بالمجال الناشئ للذكاء الاصطناعي العصبي الرمزي. يجمع الذكاء الاصطناعي العصبي الرمزي بين نقاط قوة التعرف على الأنماط في deep learning وبين الاستدلال المنظم القائم على القواعد الموجود في symbolic AI. الهدف هو إنشاء أنظمة تصنع تنبؤات دقيقة، ولكن يمكنها أيضاً شرح استدلالها بطريقة يمكن للبشر فهمها.

في هذا المقال، سنستكشف كيف يعمل الذكاء الاصطناعي الرمزي العصبي وكيف يجمع بين التعلم والتفكير لبناء أنظمة أكثر شفافية ووعياً بالسياق. لنبدأ!

جانبا الذكاء الاصطناعي الرمزي العصبي: التعلم والتفكير#

قبل أن نتعمق في الذكاء الاصطناعي الرمزي العصبي، دعونا نلقي نظرة فاحصة على المجالين الفرعيين اللذين يجمعهما: التعلم العميق والذكاء الاصطناعي الرمزي.

يركز التعلم العميق على التعرف على الأنماط في البيانات، بينما يستخدم الذكاء الاصطناعي الرمزي القواعد أو المنطق أو الحس السليم للتفكير في حل المشكلات. لكل منهما نقاط قوة، ولكن لهما أيضاً قيود. ومن خلال دمجهما، ينشئ الذكاء الاصطناعي الرمزي العصبي أنظمة يمكنها التعلم من البيانات وشرح قراراتها بوضوح أكبر في آن واحد.

نظرة عامة على التعلم العميق#

التعلم العميق هو فرع من فروع تعلم الآلة يستخدم شبكات عصبية اصطناعية، مستوحاة جزئياً من كيفية معالجة الدماغ للمعلومات. تتعلم هذه الشبكات من خلال تحليل كميات كبيرة من البيانات وتعديل اتصالاتها الداخلية لتحسين الأداء.

يسمح هذا لها بالتعرف على الأنماط في الصور والأصوات والنصوص دون الحاجة إلى قواعد مصممة يدوياً لكل موقف. وبسبب هذا، يعد التعلم العميق فعالاً للغاية في المهام التي تركز على الإدراك مثل التعرف على الصور، ومعالجة الكلام، والترجمة اللغوية.

مثال جيد هو computer vision model مدرب لتقسيم الكائنات في الصور. مع وجود أمثلة مصنفة كافية، يمكنه تعلم فصل الطرق والمركبات والمشاة في لقطات حركة المرور في الوقت الفعلي.

ومع ذلك، على الرغم من دقتها، غالباً ما تجد نماذج التعلم العميق صعوبة في شرح كيفية وصولها إلى نتيجة معينة بوضوح. هذا التحدي، الذي يشار إليه عادة بمشكلة الصندوق الأسود، يجعل من الصعب على المستخدمين تفسير أو التحقق من قرارات النموذج، خاصة في مجالات حساسة مثل الرعاية الصحية أو التمويل. هذا الأمر مهم لأن الذكاء الاصطناعي المسؤول يتطلب الشفافية والثقة والقدرة على فهم سبب قيام النموذج بتنبؤ معين.

استكشاف الذكاء الاصطناعي الرمزي#

يتبع الذكاء الاصطناعي الرمزي نهجاً أكثر تنظيمية تجاه الذكاء واتخاذ القرار. وهو يمثل المعرفة باستخدام الرموز ويطبق قواعد منطقية للتعامل مع تلك المعرفة، على غرار كيفية استخدامنا للاستدلال واللغة لحل المشكلات. يتم تحديد كل خطوة في عملية الاستدلال، مما يجعل قرارات الذكاء الاصطناعي الرمزي transparent وأسهل في الشرح.

تعمل المعرفة الرمزية بشكل جيد خاصة في المهام التي تتبع قواعد واضحة ومحددة جيداً، مثل التخطيط أو الجدولة أو إدارة المعرفة المنظمة. ومع ذلك، يواجه الذكاء الاصطناعي الرمزي صعوبة مع البيانات غير المنظمة أو المواقف التي لا تتناسب بدقة مع فئات محددة مسبقاً.

مثال شائع على الأساليب الرمزية في العمل هو برامج الشطرنج المبكرة. فقد كانت تتبع قواعد مصممة يدوياً واستراتيجيات ثابتة بدلاً من التعلم من الألعاب السابقة أو التكيف مع خصوم مختلفين. ونتيجة لذلك، كان أسلوب لعبها يميل إلى الجمود والقدرة على التنبؤ.

الشكل 1. نظرة على هيكل الذكاء الاصطناعي ومجالاته الفرعية. (صورة من المؤلف)

ما هو الذكاء الاصطناعي الرمزي العصبي؟#

في العقد الأول من القرن الحادي والعشرين، ومع تبني التعلم العميق على نطاق أوسع، بدأ الباحثون في البحث عن طرق لتجاوز مجرد التعرف البسيط على الأنماط نحو فهم العلاقات والسياق. جعل هذا التحول من الممكن لنماذج الذكاء الاصطناعي ليس فقط اكتشاف الأشياء في مشهد ما، مثل قطة وبساط، بل أيضاً تفسير كيفية ارتباط تلك الأشياء، مثل إدراك أن القطة تجلس على البساط.

ومع ذلك، سلط هذا التقدم الضوء أيضاً على قيد أساسي. يمكن لنماذج التعلم العميق التعرف على الأنماط بشكل جيد للغاية، لكنها غالباً ما تجد صعوبة في شرح منطقها أو التعامل مع المواقف غير المألوفة. أدى هذا الاهتمام المتجدد بالتفكير إلى إعادة الباحثين إلى مجال موجود منذ الثمانينيات: الذكاء الاصطناعي الرمزي العصبي.

يدمج الذكاء الاصطناعي الرمزي العصبي بين التعلم العميق والذكاء الاصطناعي الرمزي. وهو يمكّن النماذج من التعلم من الأمثلة بنفس الطريقة التي يعمل بها التعلم العميق، مع تطبيق المنطق والتفكير أيضاً كما يفعل الذكاء الاصطناعي الرمزي.

ببساطة، يمكن للذكاء الاصطناعي الرمزي العصبي التعرف على المعلومات، وفهم السياق، وتقديم تفسيرات أوضح لقراراته. يقربنا هذا النهج من تطوير أنظمة ذكاء اصطناعي تتصرف بطريقة أكثر موثوقية وشبه بشرية.

الشكل 2. فهم الذكاء الاصطناعي الرمزي العصبي (صورة من المؤلف)

أساسيات كيفية عمل الذكاء الاصطناعي الرمزي العصبي#

تجمع بنية الذكاء الاصطناعي الرمزي العصبي بين التعلم والتفكير داخل إطار عمل واحد. وعادة ما تتضمن ثلاثة أجزاء رئيسية: طبقة إدراك عصبية تفسر البيانات الأولية، وطبقة تفكير رمزية تطبق المنطق، وطبقة تكامل تربط بينهما. بعد ذلك، سنلقي نظرة فاحصة على كل طبقة.

طبقة الإدراك العصبي#

يعالج مكون الإدراك العصبي البيانات غير المهيكلة، مثل الصور أو الفيديو أو النصوص أو الصوت، ويحولها إلى تمثيلات داخلية يمكن للنظام العمل بها. وعادة ما يستخدم نماذج التعلم العميق لاكتشاف الأنماط وتحديد الأشياء أو الميزات في المدخلات. في هذه المرحلة، يتعرف النظام على ما هو موجود في البيانات، لكنه لا يفكر بعد في المعنى أو العلاقات أو السياق.

فيما يلي بعض الأنواع الشائعة من نماذج التعلم العميق المستخدمة في هذه الطبقة:

• Convolutional neural networks (CNNs): وهي نوع من الشبكات العصبية مصممة لمعالجة البيانات شبكية الشكل مثل الصور. تستخدم شبكات CNN مرشحات الالتفاف لمسح الصورة واكتشاف أنماط مثل الحواف والنسج والأشكال. من خلال تكديس هذه الأنماط، تتعلم التعرف على الكائنات مثل السيارات والفواكه والأشخاص.
• المحولات (Transformers): هي نماذج مصممة لفهم كيفية ارتباط أجزاء مختلفة من المدخلات ببعضها البعض. بدلاً من قراءة المعلومات بترتيب صارم، يمكنها النظر إلى أجزاء متعددة من البيانات في وقت واحد وتقرر أي الأجزاء هي الأكثر أهمية. يساعدها هذا في فهم السياق في النصوص أو الصور أو كليهما. وبسبب هذه المرونة، تعد المحولات البنية الأساسية وراء معظم نماذج اللغات الحديثة والعديد من أنظمة الرؤية واللغة.
• Recurrent neural networks (RNNs): تم تصميم هذا النوع من النماذج لتحليل البيانات التسلسلية، مثل الكلام أو إشارات السلاسل الزمنية. وهو يحتفظ بذاكرة للمدخلات السابقة، مما يعني أن تنبؤاته يمكن أن تأخذ السياق بمرور الوقت بعين الاعتبار.

في النهاية، تقوم هذه النماذج العصبية باستخراج وتمثيل ميزات ذات مغزى من البيانات الأولية. وتصبح هذه المخرجات بعد ذلك مدخلات لطبقة التفكير الرمزي، التي تفسر وتفكر فيما اكتشفه النظام.

طبقة التفكير الرمزي#

تأخذ طبقة التفكير الرمزي المعلومات التي أنتجتها طبقة الإدراك العصبي وتفهمها باستخدام المنطق. بدلاً من العمل من الأنماط فقط، فإنها تعتمد على أشياء مثل القواعد، والرسوم البيانية المعرفية، وقواعد المعرفة، والأنطولوجيا (أوصاف منظمة للمفاهيم وكيفية ارتباطها ببعضها البعض). تساعد هذه النظام على فهم كيفية تلاؤم العناصر المختلفة معاً وما هي الإجراءات التي تبدو منطقية في موقف معين.

على سبيل المثال، في سيارة ذاتية القيادة، قد تكتشف طبقة الإدراك العصبي إشارة مرور حمراء في تغذية الكاميرا. يمكن لطبقة التفكير الرمزي بعد ذلك تطبيق قاعدة مثل: "إذا كانت الإشارة حمراء، فيجب على المركبة التوقف". ولأن التفكير يعتمد على قواعد واضحة، فإن قرارات النظام أسهل في الشرح والتحقق، وهو أمر مهم بشكل خاص في المواقف التي تكون فيها السلامة والمساءلة مهمتين.

طبقة التكامل#

تربط طبقة التكامل بين طبقة الإدراك العصبي وطبقة التفكير الرمزي، مما يضمن عمل التعلم والتفكير معاً. في اتجاه واحد، تقوم بتحويل المخرجات من النماذج العصبية (مثل اكتشاف أحد المشاة) إلى تمثيلات رمزية تصف الشيء وسماته.

في الاتجاه الآخر، تأخذ القواعد الرمزية (على سبيل المثال، "يجب أن تتوقف المركبة إذا كان أحد المشاة في ممر المشاة") وتترجمها إلى إشارات توجه النماذج العصبية. قد يتضمن ذلك تسليط الضوء على المناطق ذات الصلة في صورة، أو التأثير على الانتباه، أو تشكيل مسارات اتخاذ القرار للنموذج.

يشكل هذا التبادل ثنائي الاتجاه حلقة تغذية راجعة. يكتسب الجانب العصبي هيكلاً وقابلية للتفسير من القواعد الرمزية، بينما يمكن للجانب الرمزي التكيف بشكل أكثر فعالية بناءً على بيانات العالم الحقيقي. تساعد تقنيات مثل الشبكات العصبية المنطقية (LNNs) في تمكين هذا التفاعل عن طريق دمج القيود المنطقية مباشرة في البنى العصبية.

من خلال ربط الإدراك والاستدلال بهذه الطريقة، يمكن للذكاء الاصطناعي العصبي الرمزي إنتاج قرارات دقيقة وأسهل في التفسير. يرى العديد من الباحثين أن هذا النهج خطوة واعدة نحو ذكاء اصطناعي أكثر موثوقية ومواءمة للبشر، وربما كأساس للتقدم المستقبلي نحو artificial general intelligence (AGI).

تطبيقات الذكاء الاصطناعي الرمزي العصبي#

الآن بعد أن أصبح لدينا فهم أفضل لما هو الذكاء الاصطناعي الرمزي العصبي وكيف يعمل، دعونا نلقي نظرة على بعض حالات استخدامه في العالم الحقيقي.

قيادة أكثر أماناً: من رؤية المشاة إلى فهمهم#

تحتاج المركبات ذاتية القيادة إلى فهم محيطها لتعمل بأمان. فهي تستخدم تقنيات مثل الرؤية الحاسوبية لاكتشاف المشاة والمركبات وعلامات المسار وإشارات المرور.

في حين أن نماذج التعلم العميق يمكنها تحديد هذه الأشياء بدقة، إلا أنها لا تفهم دائماً ما تعنيه تلك الأشياء في السياق أو كيف ترتبط ببعضها البعض في موقف من العالم الحقيقي. على سبيل المثال، قد يتعرف نموذج عصبي على أحد المشاة في ممر مشاة ولكنه لا يستطيع معرفة ما إذا كان على وشك العبور أو مجرد الوقوف والانتظار.

يحاول الذكاء الاصطناعي العصبي الرمزي سد هذه الفجوة من خلال تمكين المركبات ذاتية القيادة من الجمع بين التعرف البصري والاستدلال المنطق، بحيث يمكنها تفسير المواقف بدلاً من مجرد تحديد الكائنات. أظهرت أبحاث الذكاء الاصطناعي الحديثة أن الأنظمة التي تجمع بين الإدراك العصبي والقواعد الرمزية يمكنها تحسين pedestrian behavior prediction.

في هذه الأنظمة، يقوم المكون العصبي بتحليل الإشارات البصرية مثل وضعية المشاة وحركتهم وموقعهم. ثم يطبق المكون الرمزي قواعد منطقية، مع مراعاة عوامل مثل ما إذا كان الشخص بالقرب من ممر مشاة أو ما تشير إليه إشارة المرور الحالية.

من خلال الجمع بين هذين المنظورين، يمكن للنظام الرمزي العصبي القيام بأكثر من مجرد اكتشاف أحد المشاة. يمكنه تقديم تنبؤ معقول حول ما إذا كان المشاة من المحتمل أن يعبروا، ويمكنه شرح سبب اتخاذه لهذا القرار. وهذا يؤدي إلى سلوك أكثر أماناً وشفافية في المركبات ذاتية القيادة.

الشكل 3. إجراء تنبؤات بناءً على سلوك المشاة المرصد باستخدام الذكاء الاصطناعي العصبي الرمزي. (Source)

التفسير المنطقي في الإجابة على الأسئلة المرئية#

تطبيق مهم آخر للذكاء الاصطناعي العصبي الرمزي هو visual question answering (VQA). تم تصميم أنظمة VQA للإجابة على الأسئلة المتعلقة بالصور.

فهي تجمع بين نماذج اللغات الكبيرة (LLMs) والنماذج المرئية لإجراء تفكير متعدد الوسائط، حيث تدمج بين ما يراه النظام وما يفهمه. على سبيل المثال، إذا تم عرض صورة لنظام VQA وطُرح عليه السؤال "هل الكوب على الطاولة؟"، فعليه التعرف على الأشياء ولكن أيضاً فهم العلاقة بينها. يجب عليه تحديد ما إذا كان الكوب موجوداً بالفعل فوق الطاولة في المشهد.

أظهرت دراسة حديثة كيف يمكن للذكاء الاصطناعي الرمزي العصبي تعزيز VQA من خلال دمج الإدراك العصبي مع التفكير الرمزي. في النظام المقترح، تقوم الشبكة العصبية أولاً بتحليل الصورة للتعرف على الأشياء وسماتها، مثل اللون أو الشكل أو الحجم.

بعد ذلك، يطبق مكون التفكير الرمزي قواعد منطقية لتفسير كيفية ارتباط هذه الأشياء ببعضها البعض وللإجابة على السؤال. إذا طُرح السؤال "كم عدد الأسطوانات الرمادية الموجودة في المشهد؟"، يحدد الجزء العصبي جميع الأسطوانات وألوانها، ويقوم الجزء الرمزي بتصفيتها بناءً على المعايير ويعد الصحيحة منها.

الشكل 4. أمثلة على سيناريوهات VQA حيث تكون المعرفة التجريدية والمنطق مطلوبين. (Source)

تُظهر هذه الأبحاث كيف يمكن لـ VQA العصبي الرمزي أن يتجاوز مجرد تقديم الإجابات. نظراً لأن النموذج يمكنه إظهار الخطوات التي اتخذها للوصول إلى النتيجة، فهو يدعم explainable AI، حيث تصنع الأنظمة تنبؤات وتبرر استدلالها بطريقة يمكن للبشر فهمها.

إيجابيات وسلبيات الذكاء الاصطناعي الرمزي العصبي#

فيما يلي بعض الفوائد الرئيسية لاستخدام الذكاء الاصطناعي الرمزي العصبي:

• قدرات تفكير أقوى: على عكس نماذج التعلم العميق البحتة، يمكن للذكاء الاصطناعي الرمزي العصبي القيام بمهام تتطلب تفكيراً متعدد الخطوات، والتخطيط، واتباع القواعد، والتعامل مع مجالات المعرفة المهيكلة، حيث يتفوق الذكاء الاصطناعي الرمزي تقليدياً.
• القدرة على التكيف: تعمل هذه الأنظمة بشكل جيد في المهام الجديدة أو غير المرئية لأنها يمكن أن تفكر منطقياً بما يتجاوز ما تدربت عليه. فبدلاً من مجرد حفظ البيانات، فهي تفهم العلاقات والأنماط.
• المتانة تجاه الضوضاء والغموض: يمكن للقيود المنطقية أن تساعد في منع الأخطاء عندما تكون البيانات مشوشة أو غير مكتملة أو غامضة. يمكن لطبقة التفكير فرض قواعد توجه أو تصحح التنبؤات العصبية.

على الرغم من إمكاناته، لا يزال الذكاء الاصطناعي الرمزي العصبي في طور التطور ويأتي مع تحديات عملية معينة. فيما يلي بعض قيوده الرئيسية:

• تكامل معقد: في حين أن إطار العمل الهجين هذا يوفر قابلية تفسير قوية، إلا أن تصميم خوارزميات تدمج الإدراك والتفكير يظل أمراً صعباً.
• قابلية التوسع: يمكن أن يصبح التفكير الرمزي بطيئاً أو مكلفاً من الناحية الحوسبية عند التعامل مع رسوم بيانية معرفية كبيرة أو مجموعات قواعد معقدة. وهذا يمكن أن يجعل التطبيقات في الوقت الفعلي، مثل القيادة الذاتية، أو معالجة الفيديو، أو التفكير المعرفي واسع النطاق، أكثر صعوبة في النشر بكفاءة.
• متانة التفكير: إذا كانت القواعد الرمزية صارمة للغاية، فقد تواجه الأنظمة صعوبة في سيناريوهات العالم الحقيقي الغامضة أو غير المتوقعة. لا يزال الموازنة بين التعلم المرن والتفكير الموثوق تحدياً مستمراً.

أبرز النقاط#

يمثل الذكاء الاصطناعي الرمزي العصبي خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي لا يمكنها إدراك العالم فحسب، بل يمكنها أيضاً التفكير فيه وشرح قراراتها. على عكس أنظمة التعلم العميق التقليدية، التي تعتمد في الغالب على الأنماط المستفادة من البيانات، يجمع الذكاء الاصطناعي الرمزي العصبي بين التعلم الإحصائي والمنطق والمعرفة المهيكلة. وبدلاً من استبدال التعلم العميق، فإنه يبني فوقه، مما يقربنا قليلاً من تطوير ذكاء اصطناعي يمكنه الفهم والتفكير بطريقة أكثر شبهاً بالبشر.

انضم إلى community واستكشف GitHub repository. تحقق من صفحات الحلول الخاصة بنا لاكتشاف التطبيقات المختلفة لـ AI in agriculture وcomputer vision in healthcare. اكتشف licensing options وابدأ في بناء مشروع الرؤية الحاسوبية الخاص بك بالذكاء الاصطناعي!