بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
في الوقت الحاضر، وبفضل النمو السريع للذكاء الاصطناعي (AI) وزيادة توافر قوة الحوسبة، يتم إصدار نماذج الذكاء الاصطناعي المتقدمة بشكل أسرع من أي وقت مضى. في الواقع، يقود مجال الذكاء الاصطناعي الابتكار الهادف في العديد من الصناعات.
على سبيل المثال، في مجال الرعاية الصحية، تُستخدم أنظمة الذكاء الاصطناعي للمساعدة في مهام مثل تحليل الصور الطبية للتشخيص المبكر. ومع ذلك، مثل أي تقنية، فإن الذكاء الاصطناعي له حدوده.
أحد الشواغل الرئيسية هو الشفافية. على سبيل المثال، قد يحدد نموذج الكشف عن الأجسام بدقة موقع الورم في فحص الدماغ بالرنين المغناطيسي، ولكن قد يكون من الصعب فهم كيفية توصل النموذج إلى هذا الاستنتاج. هذا الافتقار إلى إمكانية الشرح يجعل من الصعب على الأطباء والباحثين أن يثقوا في نتائج الذكاء الاصطناعي أو التحقق من صحتها بشكل كامل.
وهذا هو بالضبط سبب الاهتمام المتزايد بمجال الذكاء الاصطناعي العصبي الرمزي الناشئ. يجمع الذكاء الاصطناعي العصبي الرمزي العصبي بين نقاط قوة التعرف على الأنماط في التعلم العميق والمنطق المنظم القائم على القواعد الموجودة في الذكاء الاصطناعي الرمزي. والهدف من ذلك هو إنشاء أنظمة تقوم بتنبؤات دقيقة، ولكن يمكنها أيضًا تفسير منطقها بطريقة يمكن للبشر فهمها.
في هذه المقالة، سنستكشف كيف يعمل الذكاء الاصطناعي العصبي الرمزي العصبي وكيف يجمع بين التعلم والاستدلال معاً لبناء أنظمة أكثر شفافية وإدراكاً للسياق. لنبدأ!
قبل أن نغوص في الذكاء الاصطناعي العصبي الرمزي، دعونا نلقي نظرة فاحصة على المجالين الفرعيين اللذين يجمعان معاً: 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 للتوصل إلى حل للمشاكل. لكل منهما نقاط قوة، ولكن لكل منهما قيود أيضًا. من خلال الجمع بينهما، ينشئ الذكاء الاصطناعي العصبي الرمزي أنظمة يمكنها التعلم من البيانات وتفسير قراراتها بشكل أوضح.
نظرة عامة على التعلم العميق
التعلم العميق هو فرع من التعلم الآلي يستخدم شبكات عصبية اصطناعية مستوحاة بشكل فضفاض من كيفية معالجة الدماغ للمعلومات. تتعلم هذه الشبكات من خلال تحليل كميات كبيرة من البيانات وتعديل اتصالاتها الداخلية لتحسين الأداء.
وهذا يسمح لها بالتعرف على الأنماط في الصور والأصوات والنصوص دون الحاجة إلى قواعد مصممة يدوياً لكل موقف. ولهذا السبب، فإن التعلم العميق فعال للغاية في المهام التي تركز على الإدراك الحسي مثل التعرف على الصور ومعالجة الكلام وترجمة اللغة.
ومن الأمثلة الجيدة على ذلك نموذج الرؤية الحاسوبية المدرّب على تقسيم الأجسام في الصور. مع وجود عدد كافٍ من الأمثلة المصنفة، يمكن أن يتعلم هذا النموذج فصل الطرق والمركبات والمشاة في لقطات حركة المرور في الوقت الفعلي.
ومع ذلك، على الرغم من دقتها، غالباً ما تواجه نماذج التعلم العميق صعوبة في شرح كيفية توصلها إلى نتيجة محددة بوضوح. هذا التحدي، الذي يُشار إليه عادةً بمشكلة الصندوق الأسود، يجعل من الصعب على المستخدمين تفسير قرارات النموذج أو التحقق منها، خاصةً في المجالات الحساسة مثل الرعاية الصحية أو التمويل. وهو أمرٌ مهم لأن الذكاء الاصطناعي المسؤول يتطلب الشفافية والثقة والقدرة على فهم سبب توصل النموذج إلى تنبؤ معين.
استكشاف الذكاء الاصطناعي الرمزي
يتخذ الذكاء الاصطناعي الرمزي نهجاً أكثر تنظيماً للذكاء واتخاذ القرارات. فهو يمثل المعرفة باستخدام الرموز ويطبق قواعد منطقية للعمل مع تلك المعرفة، على غرار الطريقة التي نستخدم بها المنطق واللغة لحل المشاكل. يتم تحديد كل خطوة في عملية التفكير، مما يجعل قرارات الذكاء الاصطناعي الرمزي شفافة وسهلة التفسير.
تعمل المعرفة الرمزية بشكل جيد بشكل خاص في المهام التي تتبع قواعد واضحة ومحددة جيدًا، مثل التخطيط أو الجدولة أو إدارة المعرفة المنظمة. ومع ذلك، فإن الذكاء الاصطناعي الرمزي يكافح مع البيانات غير المنظمة أو المواقف التي لا تتناسب بدقة مع فئات محددة مسبقًا.
من الأمثلة الشائعة على المناهج الرمزية في العمل برامج الشطرنج المبكرة. فقد اتبعت هذه البرامج قواعد مصممة يدوياً واستراتيجيات ثابتة بدلاً من التعلم من الألعاب السابقة أو التكيف مع الخصوم المختلفين. ونتيجة لذلك، كانت طريقة لعبهم تميل إلى أن تكون جامدة ويمكن التنبؤ بها.
الشكل 1. نظرة على هيكل الذكاء الاصطناعي ومجالاته الفرعية. (الصورة للمؤلف)
ما هو الذكاء الاصطناعي الرمزي العصبي؟
في العقد الأول من القرن الحادي والعشرين، ومع انتشار التعلم العميق على نطاق واسع، بدأ الباحثون في البحث عن طرق لتجاوز مجرد التعرف على الأنماط البسيطة إلى فهم العلاقات والسياق. هذا التحول جعل من الممكن لنماذج الذكاء الاصطناعي ليس فقط اكتشاف الأشياء في المشهد، مثل القطة والحصيرة، ولكن أيضًا تفسير كيفية ارتباط هذه الأشياء، مثل التعرف على أن القطة تجلس على الحصيرة.
ومع ذلك، فإن هذا التقدم يسلط الضوء أيضاً على أحد القيود الأساسية. إذ يمكن لنماذج التعلم العميق أن تتعرف على الأنماط بشكل جيد للغاية، لكنها غالباً ما تكافح من أجل تفسير منطقها أو التعامل مع المواقف غير المألوفة. وقد أدى هذا الاهتمام المتجدد بالاستدلال إلى عودة الباحثين إلى مجال كان موجوداً منذ ثمانينيات القرن الماضي: الذكاء الاصطناعي العصبي الرمزي.
يدمج الذكاء الاصطناعي العصبي الرمزي بين التعلم العميق والذكاء الاصطناعي الرمزي. فهو يمكّن النماذج من التعلم من الأمثلة بنفس الطريقة التي يتعلم بها التعلم العميق، مع تطبيق المنطق والاستدلال كما يفعل الذكاء الاصطناعي الرمزي.
ببساطة، يمكن للذكاء الاصطناعي العصبي الرمزي التعرف على المعلومات وفهم السياق وتقديم تفسيرات أوضح لقراراته. يقربنا هذا النهج من تطوير أنظمة ذكاء اصطناعي تتصرف بطريقة أكثر موثوقية وشبيهة بالبشر.
الشكل 2. فهم الذكاء الاصطناعي العصبي الرمزي العصبي (الصورة للمؤلف)
أساسيات كيفية عمل الذكاء الاصطناعي العصبي الرمزي العصبي
تجمع البنى العصبية الرمزية العصبية بين التعلم والاستدلال معاً في إطار واحد. وهي تتضمن عادةً ثلاثة أجزاء رئيسية: طبقة الإدراك العصبي التي تفسر البيانات الخام، وطبقة التفكير الرمزي التي تطبق المنطق، وطبقة التكامل التي تربط بين الاثنين. بعد ذلك، سنلقي نظرة فاحصة على كل طبقة.
طبقة الإدراك العصبي
يعالج مكوّن الإدراك العصبي البيانات غير المهيكلة، مثل الصور أو الفيديو أو النصوص أو الصوت، ويحولها إلى تمثيلات داخلية يمكن للنظام العمل معها. وعادةً ما يستخدم نماذج التعلّم العميق لاكتشاف الأنماط وتحديد الأشياء أو السمات في المدخلات. في هذه المرحلة، يتعرّف النظام على ما هو موجود في البيانات، ولكنه لا يستنتج بعد المعنى أو العلاقات أو السياق.
فيما يلي بعض الأنواع الشائعة من نماذج التعلم العميق المستخدمة في هذه الطبقة:
الشبكات العصبية التلافيفية (CNNs): وهي نوع من الشبكات العصبية مصممة لمعالجة البيانات الشبيهة بالشبكة مثل الصور. تستخدم الشبكات العصبية التلافيفية (CNNs) مرشحات تلافيفية لمسح الصورة واكتشاف الأنماط مثل الحواف والأنسجة والأشكال. من خلال تجميع هذه الأنماط، تتعلم هذه الشبكات التعرف على الأشياء مثل السيارات والفواكه والأشخاص.
المحولات: المحولات هي نماذج مصممة لفهم كيفية ارتباط الأجزاء المختلفة من المدخلات ببعضها البعض. فبدلاً من قراءة المعلومات بالترتيب الدقيق، يمكنهم النظر إلى أجزاء متعددة من البيانات في نفس الوقت وتحديد الأجزاء الأكثر أهمية. وهذا يساعدهم على فهم السياق في النص أو الصور أو كليهما. وبسبب هذه المرونة، فإن المحولات هي البنية الأساسية وراء معظم النماذج اللغوية الحديثة والعديد من أنظمة لغة الرؤية.
الشبكات العصبية المتكررة (RNNs): تم تصميم هذا النوع من النماذج لتحليل البيانات المتسلسلة، مثل الكلام أو إشارات السلاسل الزمنية. وهي تحتفظ بذاكرة للمدخلات السابقة، مما يعني أن تنبؤاتها يمكن أن تأخذ السياق مع مرور الوقت في الاعتبار.
في نهاية المطاف، تستخرج هذه النماذج العصبية ميزات ذات معنى من البيانات الخام وتمثلها. ثم تصبح هذه المخرجات مدخلات لطبقة التفكير الرمزي التي تفسر وتعلل ما اكتشفه النظام.
طبقة التفكير الرمزي
تأخذ طبقة الاستدلال الرمزي المعلومات التي تنتجها طبقة الإدراك العصبي وتفهمها باستخدام المنطق. بدلاً من العمل من الأنماط فقط، تعتمد على أشياء مثل القواعد، والرسوم البيانية المعرفية، وقواعد المعرفة، والأنطولوجيا (أوصاف منظمة للمفاهيم وكيفية ارتباطها ببعضها البعض). يساعد ذلك النظام على فهم كيفية توافق العناصر المختلفة مع بعضها البعض وما هي الإجراءات المنطقية في موقف معين.
على سبيل المثال، في سيارة ذاتية القيادة، قد تتعرف طبقة الإدراك العصبي على إشارة مرور حمراء في تغذية الكاميرا. يمكن لطبقة التفكير الرمزي بعد ذلك تطبيق قاعدة مثل: "إذا كانت الإشارة حمراء، يجب أن تتوقف السيارة." ونظراً لأن المنطق يستند إلى قواعد واضحة، فإن قرارات النظام يسهل شرحها والتحقق منها، وهو أمر مهم بشكل خاص في المواقف التي تكون فيها السلامة والمساءلة مهمة.
طبقة التكامل
تربط طبقة التكامل بين طبقة الإدراك العصبي وطبقة التفكير الرمزي، مما يضمن عمل التعلم والتفكير معاً. في أحد الاتجاهات، تقوم بتحويل المخرجات من النماذج العصبية (مثل اكتشاف أحد المشاة) إلى تمثيلات رمزية تصف الكائن وسماته.
وفي الاتجاه الآخر، تأخذ القواعد الرمزية (على سبيل المثال، "يجب أن تتوقف السيارة إذا كان أحد المشاة في ممر المشاة") وتترجمها إلى إشارات توجه النماذج العصبية. قد يتضمن ذلك تسليط الضوء على المناطق ذات الصلة في الصورة، أو التأثير على الانتباه، أو تشكيل مسارات قرار النموذج.
يشكل هذا التبادل ثنائي الاتجاه حلقة تغذية مرتدة. حيث يكتسب الجانب العصبي هيكلاً وقابلية للتفسير من القواعد الرمزية، في حين يمكن للجانب الرمزي أن يتكيف بشكل أكثر فعالية استناداً إلى بيانات العالم الحقيقي. وتساعد تقنيات مثل الشبكات العصبية المنطقية (LNNs) على تمكين هذا التفاعل من خلال تضمين القيود المنطقية مباشرة في البنى العصبية.
من خلال الربط بين الإدراك والاستدلال بهذه الطريقة، يمكن للذكاء الاصطناعي العصبي الرمزي أن ينتج قرارات دقيقة وسهلة التفسير. يرى العديد من الباحثين هذا النهج كخطوة واعدة نحو ذكاء اصطناعي أكثر موثوقية ومواءمة للإنسان، وربما كأساس للتقدم المستقبلي نحو الذكاء الاصطناعي العام.
تطبيقات الذكاء الاصطناعي الرمزي العصبي
والآن بعد أن أصبح لدينا فهم أفضل لماهية الذكاء الاصطناعي العصبي الرمزي وكيفية عمله، دعونا نلقي نظرة على بعض حالات استخدامه في العالم الحقيقي.
قيادة أكثر أماناً: من رؤية المشاة إلى فهمهم
تحتاج المركبات ذاتية القيادة إلى فهم البيئة المحيطة بها لتعمل بأمان. فهي تستخدم تقنيات مثل الرؤية الحاسوبية لاكتشاف المشاة والمركبات وعلامات الحارات وإشارات المرور.
في حين أن نماذج التعلم العميق يمكنها تحديد هذه الأشياء بدقة، إلا أنها لا تفهم دائماً ما تعنيه هذه الأشياء في سياقها أو كيفية ارتباطها ببعضها البعض في موقف في العالم الحقيقي. على سبيل المثال، قد يتعرف النموذج العصبي على أحد المشاة في ممر المشاة ولكنه لا يستطيع معرفة ما إذا كان على وشك العبور أو أنه يقف وينتظر فقط.
يحاول الذكاء الاصطناعي العصبي الرمزي العصبي سد هذه الفجوة من خلال تمكين المركبات ذاتية القيادة من الجمع بين الإدراك البصري والاستدلال المنطقي، بحيث يمكنها تفسير المواقف بدلاً من مجرد تحديد الأشياء. وقد أظهرت أبحاث حديثة في مجال الذكاء الاصطناعي أن الأنظمة التي تجمع بين الإدراك العصبي والقواعد الرمزية يمكن أن تحسن التنبؤ بسلوك المشاة.
في هذه الأنظمة، يقوم المكوّن العصبي بتحليل الإشارات البصرية مثل وضعية المشاة وحركتهم وموقعهم. ثم يقوم المكون الرمزي بتطبيق قواعد منطقية، مع الأخذ بعين الاعتبار عوامل مثل ما إذا كان الشخص بالقرب من ممر عبور أو ما تشير إليه إشارة المرور الحالية.
من خلال الجمع بين هذين المنظورين، يمكن للنظام العصبي الرمزي العصبي أن يفعل أكثر من مجرد اكتشاف المشاة. فيمكنه أن يتنبأ بشكل معقول حول ما إذا كان من المحتمل أن يعبر المشاة أم لا، ويمكنه أن يشرح سبب اتخاذه لهذا القرار. وهذا يؤدي إلى سلوك أكثر أماناً وشفافية في المركبات ذاتية القيادة.
الشكل 3. إجراء تنبؤات بناءً على سلوك المشاة المرصود باستخدام الذكاء الاصطناعي العصبي الرمزي.(المصدر)
التفسير المنطقي في الإجابة عن الأسئلة المرئية
من التطبيقات المهمة الأخرى للذكاء الاصطناعي العصبي الرمزي الإجابة عن الأسئلة البصرية (VQA). تم تصميم أنظمة VQA للإجابة على الأسئلة المتعلقة بالصور.
فهو يجمع بين النماذج اللغوية الكبيرة (LLMs) والنماذج البصرية لأداء الاستدلال متعدد الوسائط، حيث يجمع بين ما يراه النظام وما يفهمه. على سبيل المثال، إذا عُرضت على نظام VQA صورة وسُئل: "هل الكأس على الطاولة؟"، فعليه أن يتعرف على الأشياء ولكن عليه أيضًا فهم العلاقة بينها. يحتاج إلى تحديد ما إذا كان الكوب موجودًا بالفعل فوق الطاولة في المشهد.
أظهرت دراسة حديثة كيف يمكن للذكاء الاصطناعي العصبي الرمزي العصبي أن يعزز الذكاء الاصطناعي العصبي الرمزي 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.
ثم يطبّق مكوّن التفكير الرمزي قواعد منطقية لتفسير كيفية ارتباط هذه العناصر ببعضها البعض والإجابة عن السؤال. إذا طُرح السؤال "كم عدد الأسطوانات الرمادية في المشهد؟"، يحدد الجزء العصبي جميع الأسطوانات وألوانها، ويقوم الجزء الرمزي بتصفيتها بناءً على المعايير ويحسب الأسطوانات الصحيحة.
الشكل 4. أمثلة على سيناريوهات ضمان الجودة الافتراضية التي تحتاج إلى معرفة مجردة ومنطقية.(المصدر)
تُظهر هذه الأبحاث كيف يمكن أن يتجاوز الذكاء الاصطناعي العصبي الرمزي العصبي مجرد تقديم الإجابات. ولأن النموذج يمكن أن يُظهر الخطوات التي اتخذها للوصول إلى استنتاج، فإنه يدعم الذكاء الاصطناعي القابل للتفسير، حيث تقوم الأنظمة بالتنبؤات وتبرير منطقها بطريقة يمكن للناس فهمها.
فيما يلي بعض الفوائد الرئيسية لاستخدام الذكاء الاصطناعي الرمزي العصبي:
قدرات استدلالية أقوى: على عكس نماذج التعلم العميق البحتة، يمكن للذكاء الاصطناعي العصبي الرمزي أداء المهام التي تتطلب التفكير متعدد الخطوات والتخطيط واتباع القواعد والتعامل مع مجالات المعرفة المنظمة، حيث يتفوق الذكاء الاصطناعي الرمزي تقليديًا.
القدرة على التكيف: تؤدي هذه الأنظمة أداءً جيدًا في المهام الجديدة أو غير المرئية نظرًا لقدرتها على التفكير المنطقي بما يتجاوز ما تم تدريبها عليه. وبدلاً من مجرد حفظ البيانات، فإنها تفهم العلاقات والأنماط.
المتانة في مواجهة الضوضاء والغموض: يمكن أن تساعد القيود المنطقية في منع الأخطاء عندما تكون البيانات مشوشة أو غير مكتملة أو غامضة. يمكن للطبقة المنطقية فرض قواعد توجه أو تصحح التنبؤات العصبية.
على الرغم من إمكاناته، لا يزال الذكاء الاصطناعي العصبي الرمزي العصبي في طور التطور وينطوي على بعض التحديات العملية. وفيما يلي بعض القيود الرئيسية التي تواجهه:
التكامل المعقد: في حين أن هذا الإطار الهجين يوفر قابلية تفسير قوية، فإن تصميم خوارزميات تدمج الإدراك والاستدلال لا يزال يمثل تحديًا.
قابلية التوسع: يمكن أن يصبح الاستدلال الرمزي بطيئًا أو مكلفًا من الناحية الحسابية عند التعامل مع الرسوم البيانية المعرفية الكبيرة أو مجموعات القواعد المعقدة. وهذا يمكن أن يجعل التطبيقات في الوقت الحقيقي، مثل القيادة الذاتية أو معالجة الفيديو أو الاستدلال المعرفي واسع النطاق، أكثر صعوبة في النشر بكفاءة.
متانة الاستدلال: إذا كانت القواعد الرمزية جامدة للغاية، فقد تعاني الأنظمة في سيناريوهات العالم الحقيقي الغامضة أو غير المتوقعة. لا يزال تحقيق التوازن بين التعلم المرن والاستدلال الموثوق به يمثل تحديًا مستمرًا.
النقاط الرئيسية
يمثل الذكاء الاصطناعي العصبي-الرمزي العصبي خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي لا يمكنها إدراك العالم فحسب، بل يمكنها أيضاً التفكير فيه وتفسير قراراتها. على عكس أنظمة التعلم العميق التقليدية، التي تعتمد في الغالب على الأنماط المستفادة من البيانات، يجمع الذكاء الاصطناعي العصبي الرمزي بين التعلم الإحصائي والمنطق المنظم والمعرفة. وبدلاً من استبدال التعلّم العميق، فإنه يعتمد على التعلّم العميق، مما يجعلنا نقترب قليلاً من تطوير ذكاء اصطناعي يمكنه الفهم والتفكير بطريقة أكثر شبهاً بالإنسان.
