الذكاء الاصطناعي الرمزي

الذكاء الاصطناعي الرمزي، والذي يشار إليه غالبًا باسم الذكاء الاصطناعي القديم الجيد (GOFAI)، هو فرع من فروع الذكاء الاصطناعي (AI) الذي يركز على تمثيل المعرفة البشرية من خلال القواعد والرموز الصريحة. كان هذا النهج هو النموذج المهيمن في أبحاث الذكاء الاصطناعي من الخمسينيات وحتى أواخر الثمانينيات. على عكس الأساليب الحديثة القائمة على البيانات، يعمل الذكاء الاصطناعي الرمزي على مبدأ أنه يمكن تحقيق الذكاء من خلال معالجة الرموز التي تمثل مفاهيم العالم الحقيقي، والتي تحكمها مجموعة من القواعد المنطقية. كانت الفكرة الأساسية، التي دافع عنها رواد مثل جون مكارثي، هي بناء أنظمة يمكنها التفكير في العالم بطريقة مماثلة للمنطق الاستنتاجي البشري.

آلية عمل الذكاء الاصطناعي الرمزي

تتكون أنظمة الذكاء الاصطناعي الرمزي عادةً من مكونين رئيسيين: قاعدة معرفة ومحرك استدلال.

• قاعدة المعرفة: قاعدة بيانات منظمة تحتوي على الحقائق والمفاهيم والعلاقات بينها، وكلها مشفرة بلغة رمزية. غالبًا ما يتم تنظيم هذه المعرفة يدويًا من قبل خبراء بشريين. يمكن رؤية مكافئ حديث لهذا المفهوم في رسوم بيانية المعرفة (knowledge graphs).
• محرك الاستدلال: مجموعة من القواعد والخوارزميات التي تطبق الاستنتاج المنطقي على قاعدة المعرفة لاشتقاق معلومات جديدة أو اتخاذ قرارات. يستخدم المنطق الرسمي، مثل IF-THEN البيانات، لمعالجة الاستعلامات وحل المشكلات. هذه العملية شفافة للغاية، مما يجعلها حجر الزاوية في الذكاء الاصطناعي القابل للتفسير (XAI).

تم تطوير لغات البرمجة مثل Lisp و Prolog خصيصًا لدعم نمط البرمجة القائم على القواعد هذا.

الذكاء الاصطناعي الرمزي مقابل التعلم الآلي

يختلف الذكاء الاصطناعي الرمزي اختلافًا جوهريًا عن التعلم الآلي (ML)، والذي يمثل الأساس لمعظم تطبيقات الذكاء الاصطناعي الحديثة، بما في ذلك نماذج رؤية الكمبيوتر (CV) المتقدمة مثل Ultralytics YOLO.

يكمن التمييز الرئيسي في كيفية اكتساب المعرفة:

• الذكاء الاصطناعي الرمزي هو نهج من أعلى إلى أسفل. يقوم خبير بشري ببرمجة القواعد والمعرفة بشكل صريح في النظام. يقتصر استدلال النظام على هذه المعرفة المحددة مسبقًا.
• التعلم الآلي هو نهج من القاعدة إلى القمة. تتعلم النماذج، وخاصة تلك التي تستخدم التعلم العميق و الشبكات العصبية (NN)، الأنماط والعلاقات ضمنيًا عن طريق تحليل كميات هائلة من بيانات التدريب. على سبيل المثال، يتعلم نموذج YOLO إجراء اكتشاف الكائنات من خلال التدريب على آلاف الصور المصنفة، وليس من خلال إخباره بالقواعد الصريحة لما يشكل "سيارة" أو "شخصًا".

في حين أن نماذج التعلم الآلي تتفوق في التعامل مع البيانات المعقدة وغير المنظمة، إلا أن عملية اتخاذ القرار الخاصة بها يمكن أن تكون مبهمة. في المقابل، فإن استدلال الذكاء الاصطناعي الرمزي يمكن تتبعه بسهولة، وهو أمر بالغ الأهمية للتطبيقات التي تكون فيها المساءلة وأخلاقيات الذكاء الاصطناعي ذات أهمية قصوى.

تطبيقات وأمثلة في أرض الواقع

على الرغم من أنها أقل شيوعًا اليوم، إلا أن الذكاء الاصطناعي الرمزي (Symbolic AI) قد شغل العديد من التطبيقات المهمة ولا تزال مبادئه ذات صلة.

1. الأنظمة الخبيرة: كانت هذه من بين أنجح تطبيقات الذكاء الاصطناعي الرمزي. تم تصميم النظام الخبير لمحاكاة قدرة اتخاذ القرار لخبير بشري في مجال معين. على سبيل المثال، كان MYCIN نظامًا خبيرًا شهيرًا تم تطويره في السبعينيات لتحديد البكتيريا المسببة للعدوى الشديدة والتوصية بالمضادات الحيوية. استخدم قاعدة معرفية تضم حوالي 600 قاعدة مستمدة من خبراء طبيين.
2. المعالجة المبكرة للغة الطبيعية (NLP): قبل ظهور الأساليب الإحصائية و نماذج اللغة الكبيرة (LLMs)، اعتمدت أنظمة NLP على الأساليب الرمزية. لقد استخدموا القواعد الرسمية وقواعد بناء الجملة لتحليل الجمل وفهم بنية اللغة. تم بناء أدوات فحص القواعد الآلية المبكرة وأنظمة الترجمة الآلية على هذه المبادئ.

المستقبل: الذكاء الاصطناعي الهجين

أدت قيود الذكاء الاصطناعي الرمزي - ولا سيما هشاشته عند مواجهة مواقف جديدة أو غامضة وصعوبة توسيع نطاق قاعدة معارفه - إلى ظهور التعلم الآلي. ومع ذلك، من المحتمل أن يكمن المستقبل في نماذج الذكاء الاصطناعي الهجينة التي تجمع بين نقاط القوة في كلا النهجين. من خلال دمج الاستدلال المنطقي للذكاء الاصطناعي الرمزي مع قوة التعرف على الأنماط للتعلم الآلي، يمكن للمطورين إنشاء أنظمة ذكاء اصطناعي أكثر قوة وشفافية وقدرة. تهدف هذه الأنظمة الهجينة إلى الاستفادة من المعرفة الهيكلية للأنظمة الرمزية لتعزيز عملية تعلم النماذج الأساسية، وهو مفهوم يتم استكشافه في مجالات مثل الذكاء الاصطناعي العصبي الرمزي. تعمل منصات مثل Ultralytics HUB على تبسيط نشر نماذج التعلم الآلي، والتي يمكن أن تدمج يومًا ما هذه التقنيات الهجينة.