مقدمة إلى المجال الناشئ للذكاء الاصطناعي العصبي الرمزي

في الوقت الحاضر، وبفضل النمو السريع لـالذكاء الاصطناعي (AI) والتوافر المتزايد للقدرة الحاسوبية، تُطرح نماذج ذكاء اصطناعي متقدمة بوتيرة أسرع من أي وقت مضى. وفي الواقع، يدفع مجال الذكاء الاصطناعي عجلة الابتكار المؤثر في العديد من القطاعات.

فعلى سبيل المثال، تُستخدم أنظمة الذكاء الاصطناعي في الرعاية الصحية للمساعدة في مهام مثل تحليل الصور الطبية من أجل التشخيص المبكر. ومع ذلك، يواجه الذكاء الاصطناعي، شأنه شأن أي تقنية، بعض القيود.

تتمثل إحدى المخاوف الرئيسية في الشفافية. فعلى سبيل المثال، قد يتمكن نموذج لاكتشاف الأجسام من تحديد موضع ورم بدقة في تصوير بالرنين المغناطيسي للدماغ، لكن قد يصعب فهم كيفية توصل النموذج إلى ذلك الاستنتاج. ويجعل هذا النقص في قابلية التفسير من الصعب على الأطباء والباحثين الوثوق بنتائج الذكاء الاصطناعي أو التحقق منها بالكامل.

ولهذا السبب تحديدًا يتزايد الاهتمام بالمجال الناشئ للذكاء الاصطناعي العصبي الرمزي. يجمع الذكاء الاصطناعي العصبي الرمزي بين نقاط قوة التعلم العميق في التعرف على الأنماط، والاستدلال المنظم القائم على القواعد الموجود في الذكاء الاصطناعي الرمزي. والهدف هو إنشاء أنظمة تُجري تنبؤات دقيقة، وتستطيع أيضًا تفسير آلية استدلالها بطريقة يفهمها البشر.

في هذه المقالة، سنستكشف كيفية عمل الذكاء الاصطناعي العصبي الرمزي وكيف يجمع بين التعلم والاستدلال لبناء أنظمة أكثر شفافية ووعيًا بالسياق. لنبدأ!

جانبا الذكاء الاصطناعي العصبي الرمزي: التعلم والاستدلال#

قبل أن نتعمق في الذكاء الاصطناعي العصبي الرمزي، دعونا نُلقي نظرة فاحصة على المجالين الفرعيين اللذين يجمع بينهما: 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 للاستدلال في المشكلات. ولكل منهما نقاط قوة، وكذلك قيود. ومن خلال الجمع بينهما، ينشئ الذكاء الاصطناعي العصبي الرمزي أنظمة يمكنها التعلم من البيانات وشرح قراراتها بوضوح أكبر.

نظرة عامة على التعلم العميق#

التعلم العميق هو أحد فروع التعلم الآلي يستخدم الشبكات العصبية الاصطناعية، المستوحاة بصورة عامة من كيفية معالجة الدماغ للمعلومات. تتعلم هذه الشبكات من خلال تحليل كميات كبيرة من البيانات وضبط اتصالاتها الداخلية لتحسين الأداء.

يتيح لها ذلك التعرف على الأنماط في الصور والأصوات والنصوص من دون الحاجة إلى قواعد مصممة يدويًا لكل حالة. ولهذا السبب، يُعد التعلم العميق فعالًا للغاية في المهام التي تركز على الإدراك، مثل التعرف على الصور ومعالجة الكلام وترجمة اللغات.

ومن الأمثلة الجيدة على ذلك نموذج للرؤية الحاسوبية مُدرَّب على تجزئة الأجسام في الصور. وباستخدام عدد كافٍ من الأمثلة المشروحة، يمكنه تعلم فصل الطرق والمركبات والمشاة في لقطات حركة المرور في الوقت الفعلي.

ومع ذلك، وعلى الرغم من دقتها، غالبًا ما تواجه نماذج التعلم العميق صعوبة في توضيح كيفية توصلها إلى نتيجة محددة. ويجعل هذا التحدي، الذي يُشار إليه عادةً باسم مشكلة الصندوق الأسود، من الصعب على المستخدمين تفسير قرارات النموذج أو التحقق منها، ولا سيما في المجالات الحساسة مثل الرعاية الصحية أو التمويل. وتكمن أهميته في أن الذكاء الاصطناعي المسؤول يتطلب الشفافية والثقة والقدرة على فهم سبب إصدار النموذج لتنبؤ معين.

استكشاف الذكاء الاصطناعي الرمزي#

يتبع الذكاء الاصطناعي الرمزي نهجًا أكثر تنظيمًا تجاه الذكاء واتخاذ القرارات. فهو يمثل المعرفة باستخدام الرموز ويطبق القواعد المنطقية للتعامل معها، على نحو يشبه استخدامنا للاستدلال واللغة لحل المشكلات. وتُحدَّد كل خطوة في عملية الاستدلال، مما يجعل قرارات الذكاء الاصطناعي الرمزي شفافة وأسهل في التفسير.

تعمل المعرفة الرمزية جيدًا بوجه خاص في المهام التي تتبع قواعد واضحة ومحددة جيدًا، مثل التخطيط والجدولة وإدارة المعرفة المنظمة. ومع ذلك، يواجه الذكاء الاصطناعي الرمزي صعوبة مع البيانات غير المنظمة أو الحالات التي لا تندرج بدقة ضمن فئات محددة مسبقًا.

ومن الأمثلة الشائعة على تطبيق النهج الرمزي برامج الشطرنج المبكرة. فقد اتبعت قواعد مصممة يدويًا واستراتيجيات ثابتة بدلًا من التعلم من المباريات السابقة أو التكيف مع الخصوم المختلفين. ونتيجة لذلك، اتسم أسلوب لعبها بالجمود وسهولة التنبؤ.

الشكل 1. نظرة على بنية الذكاء الاصطناعي ومجالاته الفرعية. (الصورة من إعداد المؤلف)

ما الذكاء الاصطناعي العصبي الرمزي؟#

في عقد 2010، ومع انتشار اعتماد التعلم العميق، بدأ الباحثون في البحث عن طرق تتجاوز مجرد التعرف على الأنماط وتتجه نحو فهم العلاقات والسياق. وأتاح هذا التحول لنماذج الذكاء الاصطناعي ليس فقط اكتشاف الأجسام في مشهد، مثل قطة وحصيرة، بل أيضًا تفسير كيفية ارتباط تلك الأجسام، كالتعرف على أن القطة تجلس فوق الحصيرة.

ومع ذلك، سلط هذا التقدم الضوء أيضًا على قيد أساسي. تستطيع نماذج التعلم العميق التعرف على الأنماط بكفاءة شديدة، لكنها غالبًا ما تواجه صعوبة في تفسير استدلالها أو التعامل مع الحالات غير المألوفة. وأدى هذا الاهتمام المتجدد بالاستدلال إلى عودة الباحثين إلى مجال موجود منذ ثمانينيات القرن العشرين: الذكاء الاصطناعي العصبي الرمزي.

يدمج الذكاء الاصطناعي العصبي الرمزي بين التعلم العميق والذكاء الاصطناعي الرمزي. فهو يتيح للنماذج التعلم من الأمثلة بالطريقة نفسها التي يعمل بها التعلم العميق، مع تطبيق المنطق والاستدلال أيضًا كما يفعل الذكاء الاصطناعي الرمزي.

وببساطة، يستطيع الذكاء الاصطناعي العصبي الرمزي التعرف على المعلومات وفهم السياق وتقديم تفسيرات أوضح لقراراته. ويقرّبنا هذا النهج من تطوير أنظمة ذكاء اصطناعي تتصرف بطريقة أكثر موثوقية وشبهًا بالبشر.

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

أساسيات عمل الذكاء الاصطناعي العصبي الرمزي#

تجمع البنية العصبية الرمزية بين التعلم والاستدلال ضمن إطار واحد. وتتضمن عادةً ثلاثة أجزاء رئيسية: طبقة إدراك عصبية تفسر البيانات الأولية، وطبقة استدلال رمزية تطبق المنطق، وطبقة تكامل تصل بينهما. بعد ذلك، سنلقي نظرة فاحصة على كل طبقة.

طبقة الإدراك العصبية#

يعالج مكوّن الإدراك العصبي البيانات غير المنظمة، مثل الصور أو الفيديو أو النصوص أو الصوت، ويحوّلها إلى تمثيلات داخلية يمكن للنظام التعامل معها. ويستخدم عادةً نماذج التعلم العميق لاكتشاف الأنماط وتحديد الأجسام أو السمات في المدخلات. وفي هذه المرحلة، يتعرف النظام على الموجود في البيانات، لكنه لم يبدأ بعد في الاستدلال حول المعنى أو العلاقات أو السياق.

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

• الشبكات العصبية الالتفافية (CNNs): هي نوع من الشبكات العصبية المصممة لمعالجة البيانات ذات البنية الشبكية، مثل الصور. وتستخدم CNNs مرشحات التفاف لمسح الصورة واكتشاف أنماط مثل الحواف والأنسجة والأشكال. ومن خلال تكديس هذه الأنماط، تتعلم التعرف على أجسام مثل السيارات والفواكه والأشخاص.
• المحوّلات: المحوّلات نماذج مصممة لفهم كيفية ارتباط الأجزاء المختلفة من المدخلات بعضها ببعض. وبدلًا من قراءة المعلومات بترتيب صارم، يمكنها النظر إلى أجزاء متعددة من البيانات في الوقت نفسه وتحديد الأجزاء الأكثر أهمية. ويساعدها ذلك على فهم السياق في النصوص أو الصور أو كليهما. وبفضل هذه المرونة، تُعد المحوّلات البنية الأساسية وراء معظم نماذج اللغة الحديثة والعديد من أنظمة الرؤية واللغة.
• الشبكات العصبية المتكررة (RNNs): صُمم هذا النوع من النماذج لتحليل البيانات المتسلسلة، مثل الكلام أو إشارات السلاسل الزمنية. ويحتفظ بذاكرة للمدخلات السابقة، ما يعني أن تنبؤاته يمكن أن تأخذ السياق بمرور الوقت في الحسبان.

في نهاية المطاف، تستخرج هذه النماذج العصبية السمات ذات المعنى من البيانات الأولية وتمثلها. ويصبح هذا الناتج بعد ذلك مدخلًا لطبقة الاستدلال الرمزية، التي تفسر ما اكتشفه النظام وتستدل عليه.

طبقة الاستدلال الرمزية#

تأخذ طبقة الاستدلال الرمزية المعلومات التي تنتجها طبقة الإدراك العصبية وتفسرها باستخدام المنطق. وبدلًا من العمل اعتمادًا على الأنماط وحدها، فإنها تعتمد على أمور مثل القواعد والرسوم البيانية المعرفية وقواعد المعرفة والأنطولوجيات (أوصاف منظمة للمفاهيم وكيفية ترابطها). وتساعد هذه العناصر النظام على فهم كيفية ترابط المكونات المختلفة والإجراءات المناسبة في موقف معين.

على سبيل المثال، قد تتعرف طبقة الإدراك العصبية في سيارة ذاتية القيادة على إشارة مرور حمراء في بث الكاميرا. ويمكن لطبقة الاستدلال الرمزية بعد ذلك تطبيق قاعدة مثل: «إذا كانت الإشارة حمراء، فيجب على المركبة التوقف». وبما أن الاستدلال يستند إلى قواعد واضحة، يصبح من الأسهل تفسير قرارات النظام والتحقق منها، وهو أمر مهم بوجه خاص في الحالات التي تكون فيها السلامة والمساءلة موضع أهمية.

طبقة التكامل#

تصل طبقة التكامل بين طبقة الإدراك العصبية وطبقة الاستدلال الرمزية، بما يضمن عمل التعلم والاستدلال معًا. وفي أحد الاتجاهين، تحوّل مخرجات النماذج العصبية (مثل اكتشاف أحد المشاة) إلى تمثيلات رمزية تصف الجسم وسماته.

وفي الاتجاه الآخر، تأخذ القواعد الرمزية (مثل «يجب على المركبة التوقف إذا كان أحد المشاة في ممر العبور») وتحوّلها إلى إشارات توجه النماذج العصبية. وقد يشمل ذلك إبراز المناطق ذات الصلة في الصورة، أو التأثير في الانتباه، أو تشكيل مسارات اتخاذ القرار في النموذج.

يشكل هذا التبادل ثنائي الاتجاه حلقة تغذية راجعة. إذ يكتسب الجانب العصبي البنية وقابلية التفسير من القواعد الرمزية، بينما يستطيع الجانب الرمزي التكيف بفاعلية أكبر استنادًا إلى بيانات العالم الحقيقي. وتساعد تقنيات مثل الشبكات العصبية المنطقية (LNNs) على تمكين هذا التفاعل من خلال تضمين القيود المنطقية مباشرةً في البنى العصبية.

ومن خلال الربط بين الإدراك والاستدلال بهذه الطريقة، يستطيع الذكاء الاصطناعي العصبي الرمزي إنتاج قرارات دقيقة وأسهل في التفسير. ويرى العديد من الباحثين أن هذا النهج خطوة واعدة نحو ذكاء اصطناعي أكثر موثوقية واتساقًا مع البشر، وربما أساسًا للتقدم المستقبلي نحو الذكاء الاصطناعي العام (AGI).

تطبيقات الذكاء الاصطناعي العصبي الرمزي#

بعد أن أصبح لدينا فهم أفضل لماهية الذكاء الاصطناعي العصبي الرمزي وكيفية عمله، دعونا نلقِ نظرة على بعض حالات استخدامه في العالم الحقيقي.

قيادة أكثر أمانًا: من رؤية المشاة إلى فهمهم#

تحتاج المركبات ذاتية القيادة إلى فهم محيطها للعمل بأمان. وتستخدم تقنيات مثل الرؤية الحاسوبية لاكتشاف المشاة والمركبات وخطوط المسارات وإشارات المرور.

رغم قدرة نماذج التعلم العميق على تحديد هذه الأجسام بدقة، فإنها لا تفهم دائمًا دلالة تلك الأجسام في السياق أو كيفية ترابطها في موقف من العالم الحقيقي. فعلى سبيل المثال، قد يتعرف نموذج عصبي على أحد المشاة في ممر عبور، لكنه لا يستطيع معرفة ما إذا كان على وشك العبور أو يقف وينتظر فحسب.

يحاول الذكاء الاصطناعي العصبي الرمزي سد هذه الفجوة من خلال تمكين المركبات ذاتية القيادة من الجمع بين التعرف البصري والاستدلال المنطقي، بحيث تفسر المواقف بدلًا من تحديد الأجسام فحسب. وقد أظهرت أبحاث حديثة في الذكاء الاصطناعي أن الأنظمة التي تجمع بين الإدراك العصبي والقواعد الرمزية يمكنها تحسين التنبؤ بسلوك المشاة.

في هذه الأنظمة، يحلل المكوّن العصبي الإشارات البصرية مثل وضعية المشاة وحركتهم وموضعهم. ثم يطبق المكوّن الرمزي قواعد منطقية، مع مراعاة عوامل مثل قرب الشخص من ممر العبور أو ما تشير إليه إشارة المرور الحالية.

ومن خلال الجمع بين هذين المنظورين، يستطيع النظام العصبي الرمزي فعل أكثر من مجرد اكتشاف أحد المشاة. إذ يمكنه إجراء تنبؤ معقول بشأن احتمال عبور المشاة، كما يمكنه تفسير سبب اتخاذه ذلك القرار. ويؤدي ذلك إلى سلوك أكثر أمانًا وشفافية في المركبات ذاتية القيادة.

الشكل 3. إجراء تنبؤات استنادًا إلى 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 المرئية (VQA). صُممت أنظمة VQA للإجابة عن الأسئلة المتعلقة بالصور.

فهي تجمع بين نماذج اللغة الكبيرة (LLMs) والنماذج البصرية لإجراء استدلال متعدد الوسائط، من خلال الجمع بين ما يراه النظام وما يفهمه. فعلى سبيل المثال، إذا عُرضت صورة على نظام VQA وطُلب منه الإجابة عن السؤال «هل الكوب على الطاولة؟»، فعليه التعرف على الأجسام وفهم العلاقة بينها أيضًا. ويحتاج إلى تحديد ما إذا كان الكوب موجودًا بالفعل فوق الطاولة في المشهد.

أظهرت دراسة حديثة كيف يمكن للذكاء الاصطناعي العصبي الرمزي تحسين VQA من خلال دمج الإدراك العصبي مع الاستدلال الرمزي. وفي النظام المقترح، تحلل الشبكة العصبية الصورة أولًا للتعرف على الأجسام وسماتها، مثل اللون أو الشكل أو الحجم.

ثم يطبق مكوّن الاستدلال الرمزي قواعد منطقية لتفسير كيفية ترابط هذه الأجسام والإجابة عن السؤال. فإذا طُرح السؤال «كم أسطوانة رمادية موجودة في المشهد؟»، يحدد الجزء العصبي جميع الأسطوانات وألوانها، بينما يرشحها الجزء الرمزي استنادًا إلى المعايير ويحصي الأسطوانات الصحيحة.

الشكل 4. أمثلة على سيناريوهات VQA التي تتطلب معرفة مجردة ومنطقًا. (المصدر)

توضح هذه الأبحاث كيف يمكن لـVQA العصبي الرمزي تجاوز مجرد تقديم الإجابات. وبما أن النموذج يستطيع عرض الخطوات التي اتخذها للوصول إلى استنتاج، فإنه يدعم الذكاء الاصطناعي القابل للتفسير، حيث تُجري الأنظمة تنبؤات وتبرر استدلالها بطريقة يفهمها الناس.

إيجابيات وسلبيات الذكاء الاصطناعي العصبي الرمزي#

فيما يلي بعض الفوائد الرئيسية لاستخدام الذكاء الاصطناعي العصبي الرمزي:

• قدرات استدلال أقوى: بخلاف نماذج التعلم العميق الخالصة، يستطيع الذكاء الاصطناعي العصبي الرمزي تنفيذ مهام تتطلب استدلالًا متعدد الخطوات وتخطيطًا واتباعًا للقواعد والتعامل مع مجالات المعرفة المنظمة، وهي مجالات يتفوق فيها الذكاء الاصطناعي الرمزي تقليديًا.
• القدرة على التكيف: تؤدي هذه الأنظمة أداءً جيدًا في المهام الجديدة أو غير المرئية، إذ يمكنها الاستدلال منطقيًا بما يتجاوز ما تدربت عليه. وبدلًا من حفظ البيانات فحسب، فإنها تفهم العلاقات والأنماط.
• المتانة في مواجهة الضوضاء والغموض: يمكن للقيود المنطقية أن تساعد في منع الأخطاء عندما تكون البيانات مشوشة أو غير مكتملة أو غامضة. ويمكن لطبقة الاستدلال فرض قواعد توجه التنبؤات العصبية أو تصححها.

على الرغم من إمكاناته، لا يزال الذكاء الاصطناعي العصبي الرمزي في طور التطور، ويواجه بعض التحديات العملية. فيما يلي بعض قيوده الرئيسية:

• التكامل المعقد: رغم أن هذا الإطار الهجين يوفر قابلية تفسير قوية، لا يزال تصميم خوارزميات تدمج الإدراك والاستدلال يمثل تحديًا.
• قابلية التوسع: قد يصبح الاستدلال الرمزي بطيئًا أو مكلفًا حسابيًا عند التعامل مع الرسوم البيانية المعرفية الكبيرة أو مجموعات القواعد المعقدة. وقد يجعل ذلك من الصعب نشر التطبيقات في الوقت الفعلي، مثل القيادة الذاتية ومعالجة الفيديو والاستدلال المعرفي واسع النطاق، بكفاءة.
• متانة الاستدلال: إذا كانت القواعد الرمزية جامدة للغاية، فقد تواجه الأنظمة صعوبة في السيناريوهات الواقعية الغامضة أو غير المتوقعة. ولا يزال تحقيق التوازن بين التعلم المرن والاستدلال الموثوق تحديًا مستمرًا.

أهم النقاط المستخلصة#

يمثل الذكاء الاصطناعي العصبي الرمزي خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي لا تستطيع إدراك العالم فحسب، بل يمكنها أيضًا الاستدلال بشأنه وتفسير قراراتها. وبخلاف أنظمة التعلم العميق التقليدية التي تعتمد في الغالب على الأنماط المتعلمة من البيانات، يجمع الذكاء الاصطناعي العصبي الرمزي بين التعلم الإحصائي والمنطق والمعرفة المنظمين. وبدلًا من استبدال التعلم العميق، فإنه يبني فوقه، ويقرّبنا قليلًا من تطوير ذكاء اصطناعي يستطيع الفهم والاستدلال بطريقة أشبه بالبشر.

انضم إلى مجتمعنا واستكشف مستودعنا على GitHub. اطّلع على صفحات حلولنا لاكتشاف تطبيقات متنوعة لـالذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية. تعرّف على خيارات الترخيص وابدأ في بناء مشروعك للذكاء الاصطناعي البصري!