استكشف الذكاء الاصطناعي الرمزي ودوره في الاستدلال المنطقي. تعلم كيفية الجمع بين GOFAI القائم على المنطق و Ultralytics لبناء أنظمة ذكاء اصطناعي عصبي رمزي قوية.
الذكاء الاصطناعي الرمزي هو فرع من فروع الذكاء الاصطناعي يعتمد على تمثيلات عالية المستوى وقابلة للقراءة البشرية للمشكلات والمنطق وقدرات البحث لحل المهام المعقدة. غالبًا ما يشار إلى هذا النهج باسم "الذكاء الاصطناعي القديم الجيد " (GOFAI)، وهو يحاول محاكاة قدرة الإنسان على التفكير من خلال معالجة الرموز — سلاسل من الأحرف التي تمثل مفاهيم العالم الحقيقي — وفقًا لقواعد صريحة. على عكس التعلم العميق (DL) الحديث الذي يتعلم الأنماط من كميات هائلة من البيانات، يتم برمجة الذكاء الاصطناعي الرمزي يدويًا بمعرفة محددة وقيود منطقية، مما يجعله فعالًا للغاية في المشكلات التي تتطلب الالتزام الصارم بالقواعد واتخاذ قرارات شفافة.
يكمن جوهر الذكاء الاصطناعي الرمزي في معالجة الرموز باستخدام المنطق. لا تعتمد هذه الأنظمة على الشبكات العصبية الموجودة في الذكاء الاصطناعي الإحصائي؛ بل تستخدم محرك استدلال لاستخلاص حقائق جديدة من قواعد المعرفة الموجودة . على سبيل المثال، قد يخزن النظام الرمزي الحقيقة "سقراط رجل" والقاعدة "جميع الرجال فانون". من خلال تطبيق الاستنتاج المنطقي، يمكن للنظام أن يستنتج بشكل مستقل أن "سقراط فانٍ".
تسمح هذه البنية الواضحة بمستويات عالية من الذكاء الاصطناعي القابل للتفسير (XAI). ونظرًا لأن النظام يتبع سلسلة منطقية واضحة من نوع "إذا-إذن"، يمكن للمهندسين تتبع السبب الدقيق وراء اتخاذ قرار معين. وهذا يتناقض بشكل حاد مع طبيعة "الصندوق الأسود" للعديد من نماذج الذكاء الاصطناعي التوليدي، حيث غالبًا ما تكون عملية الاستدلال الداخلية غير شفافة.
من الأهمية بمكان التمييز بين الذكاء الاصطناعي الرمزي والنموذج السائد اليوم، الذكاء الاصطناعي الإحصائي.
بينما يهيمن التعلم العميق على مهام الإدراك، تظل الذكاء الاصطناعي الرمزي حيوياً في الصناعات التي تتطلب الدقة والقابلية للتدقيق.
هناك اتجاه ناشئ قوي وهو الذكاء الاصطناعي العصبي الرمزي، الذي يجمع بين قوة الإدراك للشبكات العصبية وقوة الاستدلال للمنطق الرمزي. في هذه الأنظمة الهجينة، يتعامل نموذج الرؤية الحاسوبية مع المدخلات الحسية (رؤية العالم)، بينما تتعامل الطبقة الرمزية مع الاستدلال (فهم القواعد).
على سبيل المثال، يمكنك استخدام Ultralytics detect عن الأجسام في مصنع، ثم استخدام برنامج نصي رمزي بسيط لفرض قواعد السلامة بناءً على تلك الكشوفات.
يوضح المثال التالي سير عمل أساسي للرموز العصبية: المكون العصبي (YOLO26) يدرك الكائن، والمكون الرمزي (Python ) يطبق قاعدة.
from ultralytics import YOLO
# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
for c in r.boxes.cls:
class_name = model.names[int(c)]
# Rule: IF a heavy vehicle is detected, THEN issue a specific alert
if class_name in ["bus", "truck"]:
print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")
مع سعي الباحثين نحو الذكاء الاصطناعي العام (AGI)، أصبحت حدود النماذج الإحصائية البحتة واضحة. غالبًا ما تعاني النماذج اللغوية الكبيرة (LLMs) مثل GPT-4 من "الهلوسة" لأنها تتنبأ بالكلمة التالية احتماليًا بدلاً من الاستدلال المنطقي.
إن دمج التفكير الرمزي يسمح لهذه النماذج بـ"تأسيس" مخرجاتها على الحقائق. ونحن نشهد هذا التطور في الأدوات التي تجمع بين فهم اللغة الطبيعية واستعلامات قواعد البيانات المنظمة أو الحلول الرياضية. بالنسبة للمطورين الذين يبنون أنظمة معقدة، توفر Ultralytics البنية التحتية اللازمة لإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تعمل كأساس حسي لهذه التطبيقات المتقدمة التي تعتمد على المنطق .
.webp)