مقدمة إلى المجال الناشئ للذكاء الاصطناعي العصبي الرمزي

في الوقت الحاضر، وبفضل النمو السريع لـالذكاء الاصطناعي (AI) وتزايد توافر القدرة الحوسبية، تُطرح نماذج ذكاء اصطناعي متقدمة بوتيرة أسرع من أي وقت مضى. وفي الواقع، يقود مجال الذكاء الاصطناعي ابتكارات مؤثرة في قطاعات كثيرة.

فعلى سبيل المثال، تُستخدم أنظمة الذكاء الاصطناعي في الرعاية الصحية للمساعدة في مهام مثل تحليل الصور الطبية بغرض التشخيص المبكر. لكن الذكاء الاصطناعي، شأنه شأن أي تقنية، له حدوده.

أحد أبرز المخاوف هو الشفافية. فعلى سبيل المثال، قد يحدد نموذج لاكتشاف الكائنات ورمًا بدقة في صورة رنين مغناطيسي للدماغ، لكن قد يصعب فهم كيفية توصل النموذج إلى هذا الاستنتاج. ويجعل هذا النقص في قابلية التفسير من الأصعب على الأطباء والباحثين الوثوق بنتائج الذكاء الاصطناعي أو التحقق من صحتها بالكامل.

ولهذا تحديدًا يتزايد الاهتمام بالمجال الناشئ للذكاء الاصطناعي العصبي الرمزي. يجمع الذكاء الاصطناعي العصبي الرمزي بين قدرات التعلم العميق على التعرف إلى الأنماط، والاستدلال المنظم القائم على القواعد الذي يميز الذكاء الاصطناعي الرمزي. والهدف هو إنشاء أنظمة تصدر توقعات دقيقة، وتستطيع أيضًا شرح استدلالها بطريقة يفهمها البشر.

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

جانبا الذكاء الاصطناعي العصبي الرمزي: التعلم والاستدلال#

قبل التعمق في الذكاء الاصطناعي العصبي الرمزي، دعونا نلقي نظرة أقرب على المجالين الفرعيين اللذين يجمع بينهما: التعلم العميق والذكاء الاصطناعي الرمزي.

يركز التعلم العميق على التعرف إلى الأنماط في البيانات، بينما يستخدم الذكاء الاصطناعي الرمزي القواعد أو المنطق أو الحس السليم للاستدلال بشأن المشكلات. ولكل منهما نقاط قوة، كما أن لكل منهما قيودًا. ومن خلال الجمع بينهما، ينشئ الذكاء الاصطناعي العصبي الرمزي أنظمة تستطيع التعلم من البيانات وشرح قراراتها بوضوح أكبر.

لمحة عامة عن التعلم العميق#

التعلم العميق فرع من تعلم الآلة يستخدم الشبكات العصبية الاصطناعية، المستوحاة بصورة عامة من طريقة معالجة الدماغ للمعلومات. وتتعلم هذه الشبكات بتحليل كميات كبيرة من البيانات وتعديل وصلاتها الداخلية لتحسين الأداء.

يتيح ذلك لها التعرف إلى الأنماط في الصور والأصوات والنصوص من دون الحاجة إلى قواعد مصممة يدويًا لكل حالة. ولذلك، يتسم التعلم العميق بفاعلية كبيرة في المهام التي تركز على الإدراك، مثل التعرف على الصور ومعالجة الكلام والترجمة اللغوية.

ومن الأمثلة الجيدة على ذلك نموذج رؤية حاسوبية دُرّب على تجزئة الكائنات في الصور. فمع عدد كافٍ من الأمثلة الموسومة، يمكنه تعلم فصل الطرق والمركبات والمشاة في لقطات حركة المرور الآنية.

لكن نماذج التعلم العميق، رغم دقتها، غالبًا ما تجد صعوبة في توضيح كيفية توصلها إلى نتيجة محددة. وهذا التحدي، المعروف عادةً بمشكلة الصندوق الأسود، يصعّب على المستخدمين تفسير قرارات النموذج أو التحقق منها، ولا سيما في المجالات الحساسة مثل الرعاية الصحية أو التمويل. وتكمن أهمية ذلك في أن الذكاء الاصطناعي المسؤول يتطلب الشفافية والثقة والقدرة على فهم سبب إصدار النموذج توقعًا معينًا.

استكشاف الذكاء الاصطناعي الرمزي#

يتبع الذكاء الاصطناعي الرمزي نهجًا أكثر تنظيمًا في الذكاء واتخاذ القرارات. فهو يمثّل المعرفة باستخدام الرموز ويطبق قواعد منطقية للتعامل معها، على غرار استخدامنا للاستدلال واللغة لحل المشكلات. وتُحدَّد كل خطوة في عملية الاستدلال، ما يجعل قرارات الذكاء الاصطناعي الرمزي شفافة وأسهل تفسيرًا.

تكون المعرفة الرمزية فعالة خصوصًا في المهام التي تتبع قواعد واضحة ومحددة، مثل التخطيط والجدولة وإدارة المعرفة المنظمة. لكن الذكاء الاصطناعي الرمزي يواجه صعوبة مع البيانات غير المنظمة أو الحالات التي لا تنطبق بسلاسة على الفئات المحددة مسبقًا.

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

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

ما الذكاء الاصطناعي العصبي الرمزي؟#

في العقد الثاني من القرن الحادي والعشرين، ومع اتساع اعتماد التعلم العميق، بدأ الباحثون يبحثون عن سبل لتجاوز مجرد التعرف إلى الأنماط والانتقال إلى فهم العلاقات والسياق. وأتاح هذا التحول لنماذج الذكاء الاصطناعي ليس فقط اكتشاف الكائنات في المشهد، مثل قطة وحصيرة، بل أيضًا تفسير العلاقة بينها، كإدراك أن القطة تجلس على الحصيرة.

لكن هذا التقدم سلط الضوء أيضًا على قيد أساسي. تستطيع نماذج التعلم العميق التعرف إلى الأنماط بكفاءة عالية جدًا، لكنها غالبًا ما تجد صعوبة في تفسير استدلالها أو التعامل مع الحالات غير المألوفة. وأعاد هذا الاهتمام المتجدد بالاستدلال الباحثين إلى مجال قائم منذ ثمانينيات القرن العشرين: الذكاء الاصطناعي العصبي الرمزي.

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

ببساطة، يستطيع الذكاء الاصطناعي العصبي الرمزي التعرف إلى المعلومات وفهم السياق وتقديم تفسيرات أوضح لقراراته. ويقرّبنا هذا النهج من تطوير أنظمة ذكاء اصطناعي أكثر موثوقية وأقرب إلى السلوك البشري.

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

أساسيات آلية عمل الذكاء الاصطناعي العصبي الرمزي#

تجمع بنية الذكاء الاصطناعي العصبي الرمزي التعلم والاستدلال ضمن إطار واحد. وتتضمن عادةً ثلاثة أجزاء رئيسية: طبقة إدراك عصبية تفسر البيانات الخام، وطبقة استدلال رمزية تطبق المنطق، وطبقة تكامل تصل بينهما. وفيما يلي، سنلقي نظرة أقرب على كل طبقة.

طبقة الإدراك العصبية#

يعالج مكوّن الإدراك العصبي البيانات غير المنظمة، مثل الصور والفيديو والنصوص والصوت، ويحوّلها إلى تمثيلات داخلية يستطيع النظام التعامل معها. ويستخدم عادةً نماذج التعلم العميق لاكتشاف الأنماط وتحديد الكائنات أو السمات في المدخلات. في هذه المرحلة، يتعرف النظام إلى ما هو موجود في البيانات، لكنه لم يبدأ بعد بالاستدلال بشأن المعنى أو العلاقات أو السياق.

إليك بعض أنواع نماذج التعلم العميق الشائعة المستخدمة في هذه الطبقة:

• الشبكات العصبية الالتفافية (CNN): هي نوع من الشبكات العصبية المصمم لمعالجة البيانات الشبكية مثل الصور. وتستخدم CNN مرشحات التفاف لمسح الصورة واكتشاف أنماط مثل الحواف والأنسجة والأشكال. ومن خلال تكديس هذه الأنماط، تتعلم التعرف إلى كائنات مثل السيارات والفواكه والأشخاص.
• Transformers: نماذج Transformers مصممة لفهم العلاقة بين أجزاء المدخلات المختلفة. وبدلًا من قراءة المعلومات بترتيب صارم، يمكنها النظر إلى أجزاء متعددة من البيانات في الوقت نفسه وتحديد الأجزاء الأهم. ويساعدها ذلك على فهم السياق في النصوص أو الصور أو كليهما. وبفضل هذه المرونة، تشكل Transformers البنية الأساسية لمعظم نماذج اللغة الحديثة وأنظمة الرؤية واللغة الكثيرة.
• الشبكات العصبية المتكررة (RNN): صُمم هذا النوع من النماذج لتحليل البيانات المتسلسلة، مثل الكلام أو إشارات السلاسل الزمنية. ويحتفظ بذاكرة للمدخلات السابقة، ما يعني أن توقعاته تستطيع مراعاة السياق بمرور الوقت.

تستخرج هذه النماذج العصبية في نهاية المطاف سمات ذات معنى من البيانات الخام وتمثلها. ويصبح هذا الناتج بعد ذلك مدخلًا لطبقة الاستدلال الرمزي، التي تفسر ما اكتشفه النظام وتستدل بشأنه.

طبقة الاستدلال الرمزي#

تأخذ طبقة الاستدلال الرمزي المعلومات التي تنتجها طبقة الإدراك العصبي وتفسرها باستخدام المنطق. وبدلًا من الاعتماد على الأنماط وحدها، تستند إلى أشياء مثل القواعد والرسوم البيانية المعرفية وقواعد المعرفة والأنطولوجيات (أوصاف منظمة للمفاهيم والعلاقات فيما بينها). وتساعد هذه العناصر النظام على فهم كيفية ترابط العناصر المختلفة والإجراءات المناسبة في موقف معين.

على سبيل المثال، في سيارة ذاتية القيادة، قد تتعرف طبقة الإدراك العصبي على إشارة مرور حمراء في مشهد الكاميرا. عندها يمكن لطبقة الاستدلال الرمزي تطبيق قاعدة مثل: «إذا كانت الإشارة حمراء، فيجب أن تتوقف المركبة». ولأن الاستدلال يستند إلى قواعد واضحة، يسهل تفسير قرارات النظام والتحقق منها، وهو أمر مهم خصوصًا في الحالات التي تكون فيها السلامة والمساءلة موضع اهتمام.

طبقة التكامل#

تربط طبقة التكامل طبقة الإدراك العصبي بطبقة الاستدلال الرمزي، وتضمن عمل التعلم والاستدلال معًا. وفي أحد الاتجاهين، تحوّل مخرجات النماذج العصبية (مثل اكتشاف أحد المشاة) إلى تمثيلات رمزية تصف الكائن وسماته.

وفي الاتجاه الآخر، تأخذ القواعد الرمزية (مثل «يجب أن تتوقف المركبة إذا كان أحد المشاة في ممر المشاة») وتحولها إلى إشارات توجه النماذج العصبية. وقد يشمل ذلك إبراز مناطق ذات صلة في الصورة، أو التأثير في الانتباه، أو تشكيل مسارات اتخاذ القرار في النموذج.

يشكّل هذا التبادل ثنائي الاتجاه حلقة تغذية راجعة. ويستفيد الجانب العصبي من البنية وقابلية التفسير التي توفرها القواعد الرمزية، في حين 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.

من خلال الربط بين الإدراك والاستدلال بهذه الطريقة، يستطيع الذكاء الاصطناعي العصبي الرمزي إصدار قرارات دقيقة وأسهل في التفسير. ويرى كثير من الباحثين أن هذا النهج خطوة واعدة نحو ذكاء اصطناعي أكثر موثوقية ومواءمةً للإنسان، وربما أساسًا للتقدم مستقبلًا نحو الذكاء الاصطناعي العام (AGI).

تطبيقات الذكاء الاصطناعي العصبي الرمزي#

بعد أن أصبح لدينا فهم أفضل لماهية الذكاء الاصطناعي العصبي الرمزي وكيفية عمله، لنتعرّف على بعض تطبيقاته العملية.

قيادة أكثر أمانًا: من رؤية المشاة إلى فهمهم#

تحتاج المركبات ذاتية القيادة إلى فهم ما يحيط بها كي تعمل بأمان. وتستخدم تقنيات مثل الرؤية الحاسوبية لاكتشاف المشاة والمركبات وعلامات المسارات وإشارات المرور.

على الرغم من قدرة نماذج التعلم العميق على تحديد هذه الكائنات بدقة، فإنها لا تفهم دائمًا دلالتها في سياق معين أو علاقتها بعضها ببعض في موقف من العالم الحقيقي. فعلى سبيل المثال، قد يتعرف نموذج عصبي على أحد المشاة في ممر للمشاة، لكنه لا يستطيع تحديد ما إذا كان على وشك العبور أم يقف منتظرًا فحسب.

يسعى الذكاء الاصطناعي العصبي الرمزي إلى سد هذه الفجوة من خلال تمكين المركبات ذاتية القيادة من الجمع بين التعرف البصري والاستدلال المنطقي، لكي تفسر المواقف بدلًا من مجرد تحديد الكائنات. وقد أظهرت أبحاث حديثة في الذكاء الاصطناعي أن الأنظمة التي تجمع بين الإدراك العصبي والقواعد الرمزية يمكن أن تحسّن التنبؤ بسلوك المشاة.

في هذه الأنظمة، يحلل المكوّن العصبي الإشارات البصرية مثل وضعية المشاة وحركتهم وموقعهم. ثم يطبّق المكوّن الرمزي قواعد منطقية، مع مراعاة عوامل مثل قرب الشخص من ممر المشاة أو دلالة إشارة المرور الحالية.

بدمج هذين المنظورين، يستطيع النظام العصبي الرمزي أن يفعل أكثر من مجرد اكتشاف أحد المشاة. إذ يمكنه التنبؤ على نحو معقول باحتمال عبور المشاة، كما يمكنه تفسير سبب اتخاذه ذلك القرار. وهذا يؤدي 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#

ومن التطبيقات المهمة الأخرى للذكاء الاصطناعي العصبي الرمزي الإجابة عن الأسئلة المرئية (VQA). وقد صُممت أنظمة VQA للإجابة عن أسئلة حول الصور.

يجمع هذا النهج بين النماذج اللغوية الكبيرة (LLMs) والنماذج المرئية لإجراء استدلال متعدد الوسائط، إذ يدمج ما يراه النظام بما يفهمه. فعلى سبيل المثال، إذا عُرضت صورة على نظام VQA وسُئل: «هل الكوب على الطاولة؟»، فعليه أن يتعرف على الكائنات ويفهم العلاقة بينها أيضًا. إذ يحتاج إلى تحديد ما إذا كان الكوب موجودًا بالفعل فوق الطاولة في المشهد.

أظهرت دراسة حديثة كيف يمكن للذكاء الاصطناعي العصبي الرمزي تعزيز VQA من خلال دمج الإدراك العصبي بالاستدلال الرمزي. في النظام المقترح، تحلل الشبكة العصبية الصورة أولًا للتعرف على الكائنات وسماتها، مثل اللون والشكل والحجم.

ثم يطبّق مكوّن الاستدلال الرمزي قواعد منطقية لتفسير العلاقات بين هذه الكائنات والإجابة عن السؤال. فإذا كان السؤال: «كم عدد الأسطوانات الرمادية في المشهد؟»، يحدد الجزء العصبي جميع الأسطوانات وألوانها، ويصفيها الجزء الرمزي وفقًا للمعايير ثم يعدّ الأسطوانات المطابقة.

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

توضح هذه الأبحاث كيف يمكن لـ VQA العصبي الرمزي تجاوز مجرد تقديم الإجابات. ولأن النموذج يستطيع عرض الخطوات التي اتبعها للتوصل إلى نتيجة، فإنه يدعم الذكاء الاصطناعي القابل للتفسير، حيث تصدر الأنظمة تنبؤات وتبرر استدلالها بطريقة يفهمها الناس.

مزايا الذكاء الاصطناعي العصبي الرمزي وعيوبه#

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 المنظّمة، وهي مجالات يتفوق فيها الذكاء الاصطناعي الرمزي تقليديًا.
• قابلية التكيف: تؤدي هذه الأنظمة أداءً جيدًا في المهام الجديدة أو غير المألوفة، إذ يمكنها الاستدلال المنطقي بما يتجاوز ما تدربت عليه. وبدلًا من مجرد حفظ البيانات، تفهم العلاقات والأنماط.
• المتانة أمام الضوضاء والغموض: يمكن للقيود المنطقية أن تساعد على منع الأخطاء عندما تكون البيانات مشوشة أو ناقصة أو ملتبسة. ويمكن لطبقة الاستدلال فرض قواعد توجه التنبؤات العصبية أو تصححها.

على الرغم من إمكاناته، لا يزال الذكاء الاصطناعي العصبي الرمزي في طور التطور وينطوي على تحديات عملية معينة. وفيما يلي بعض أبرز قيوده:

• تعقيد التكامل: على الرغم من أن هذا الإطار الهجين يوفر قابلية عالية للتفسير، فإن تصميم خوارزميات تدمج الإدراك والاستدلال لا يزال صعبًا.
• قابلية التوسع: قد يصبح الاستدلال الرمزي بطيئًا أو مكلفًا حسابيًا عند التعامل مع رسوم بيانية معرفية كبيرة أو مجموعات قواعد معقدة. وقد يصعّب ذلك نشر التطبيقات الآنية بكفاءة، مثل القيادة الذاتية ومعالجة الفيديو والاستدلال المعرفي واسع النطاق.
• متانة الاستدلال: إذا كانت القواعد الرمزية جامدة أكثر من اللازم، فقد تواجه الأنظمة صعوبة في التعامل مع سيناريوهات العالم الحقيقي الملتبسة أو غير المتوقعة. ولا يزال تحقيق التوازن بين التعلم المرن والاستدلال الموثوق تحديًا قائمًا.

أبرز النقاط#

يمثل الذكاء الاصطناعي العصبي الرمزي خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي لا تكتفي بإدراك العالم، بل تستدل بشأنه وتفسر قراراتها أيضًا. وعلى خلاف أنظمة التعلم العميق التقليدية التي تعتمد أساسًا على الأنماط المتعلمة من البيانات، يجمع الذكاء الاصطناعي العصبي الرمزي بين التعلم الإحصائي والمنطق والمعرفة المنظّمين. وهو لا يستبدل التعلم العميق، بل يبني عليه، ويقربنا قليلًا من تطوير ذكاء اصطناعي قادر على الفهم والاستدلال بطريقة أقرب إلى الإنسان.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا. اطّلع على صفحات حلولنا لاكتشاف تطبيقات متنوعة لـ الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية. اكتشف خيارات الترخيص وابدأ في بناء مشروعك للذكاء الاصطناعي البصري!