Symbolic AI

الذكاء الاصطناعي الرمزي هو فرع من فروع الذكاء الاصطناعي يعتمد على تمثيلات عالية المستوى وسهلة القراءة من قبل البشر للمشكلات والمنطق وقدرات البحث لحل المهام المعقدة. يُشار إليه غالبًا باسم "الذكاء الاصطناعي القديم الجيد" (GOFAI)، ويحاول هذا النهج محاكاة قدرة الإنسان على التفكير من خلال معالجة الرموز - وهي سلاسل من الأحرف التي تمثل مفاهيم من العالم الحقيقي - وفقًا لقواعد صريحة. على عكس التعلم العميق (DL) الحديث الذي يتعلم الأنماط من كميات هائلة من البيانات، تتم برمجة الذكاء الاصطناعي الرمزي يدويًا بمعرفة محددة وقيود منطقية، مما يجعله فعالًا للغاية للمشكلات التي تتطلب التزامًا صارمًا بالقواعد واتخاذ قرارات شفافة.

Link to this sectionآليات التفكير الرمزي#

في صميم الذكاء الاصطناعي الرمزي تكمن معالجة الرموز باستخدام المنطق. لا تعتمد هذه الأنظمة على الشبكات العصبية الموجودة في الذكاء الاصطناعي الإحصائي؛ بل تستخدم محرك استدلال لاستنتاج حقائق جديدة من قواعد المعرفة الموجودة. على سبيل المثال، قد يخزن نظام رمزي حقائق مثل "سقراط إنسان" وقاعدة "كل البشر فانون". من خلال تطبيق الاستنتاج المنطقي، يمكن للنظام أن يستنتج بشكل مستقل أن "سقراط فانٍ".

يسمح هذا الهيكل الصريح بمستويات عالية من الذكاء الاصطناعي القابل للتفسير (XAI). نظرًا لأن النظام يتبع سلسلة منطقية واضحة من نوع "إذا-فإن"، يمكن للمهندسين تتبع سبب اتخاذ قرار معين بدقة. يتناقض هذا بشكل حاد مع طبيعة "الصندوق الأسود" للعديد من نماذج الذكاء الاصطناعي التوليدي، حيث تكون عملية التفكير الداخلية مبهمة في الغالب.

Link to this sectionالذكاء الاصطناعي الرمزي مقابل الذكاء الاصطناعي الإحصائي#

من الضروري التمييز بين الذكاء الاصطناعي الرمزي والنموذج السائد اليوم، وهو الذكاء الاصطناعي الإحصائي.

• الذكاء الاصطناعي الرمزي هو نهج من الأعلى إلى الأسفل وقائم على القواعد. يتفوق في التفكير المجرد والتخطيط ومعالجة الهياكل المحددة، مثل المعادلات الجبرية أو رسوم المعرفة. يعمل بشكل مثالي في البيئات الثابتة حيث لا تتغير القواعد، لكنه يواجه صعوبة مع البيانات الصاخبة (مثل الصور غير المهيكلة) أو الغموض.
• الذكاء الاصطناعي الإحصائي (بما في ذلك التعلم الآلي) هو نهج من الأسفل إلى الأعلى وقائم على البيانات. تتعلم نماذج مثل YOLO26 التعرف على الأنماط من خلال معالجة آلاف الصور. إنها قوية ضد الضوضاء وممتازة في مهام الإدراك ولكنها تفتقر عمومًا إلى القدرة على إجراء الاستنتاج المنطقي بدون مكونات إضافية.

Link to this sectionتطبيقات العالم الحقيقي#

بينما يهيمن التعلم العميق على مهام الإدراك، يظل الذكاء الاصطناعي الرمزي حيويًا في الصناعات التي تتطلب الدقة وقابلية التدقيق.

• الأنظمة الخبيرة في الرعاية الصحية: كانت الأشكال المبكرة من الذكاء الاصطناعي في الطب عبارة عن أنظمة خبيرة رمزية. تستخدم هذه الأنظمة قاعدة بيانات للمعرفة الطبية ومجموعة من قواعد التشخيص لاقتراح العلاجات. اليوم، تعمل طبقات المنطق هذه غالبًا جنبًا إلى جنب مع نماذج الرؤية الخاصة بـ الذكاء الاصطناعي في الرعاية الصحية، مما يضمن التزام التشخيص بالبروتوكولات الطبية المعمول بها.
• الامتثال التنظيمي والمالي: في عالم الذكاء الاصطناعي في التمويل، غالبًا ما تكون التخمينات الاحتمالية غير مقبولة. تستخدم برامج الضرائب ومدققو الامتثال الآلي المنطق الرمزي لضمان التزام كل عملية حسابية بدقة بقوانين الضرائب الحكومية. "احتمالية 99%" غير كافية للإقرار الضريبي؛ يجب أن يكون المنطق دقيقًا، وهي إحدى نقاط قوة البرمجة الرمزية.

Link to this sectionصعود الذكاء الاصطناعي العصبي الرمزي#

هناك اتجاه قوي ناشئ وهو الذكاء الاصطناعي العصبي الرمزي، الذي يجمع بين قوة إدراك الشبكات العصبية وقوة التفكير للمنطق الرمزي. في هذه الأنظمة الهجينة، يتعامل نموذج رؤية الكمبيوتر مع المدخلات الحسية (رؤية العالم)، بينما تتعامل طبقة رمزية مع التفكير (فهم القواعد).

على سبيل المثال، يمكنك استخدام Ultralytics YOLO26 لاكتشاف الأشياء في مصنع، ثم استخدام نص برمجي رمزي بسيط لفرض قواعد السلامة بناءً على تلك الاكتشافات.

يوضح المثال التالي سير عمل أساسي للذكاء الاصطناعي العصبي الرمزي: المكون العصبي (YOLO26) يدرك الكائن، والمكون الرمزي (منطق 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.")

Link to this sectionالنظرة المستقبلية#

بينما يسعى الباحثون نحو الذكاء الاصطناعي العام (AGI)، أصبحت قيود النماذج الإحصائية بحتة واضحة. تعاني نماذج اللغات الكبيرة (LLMs) مثل GPT-4 غالبًا من "الهلوسة" لأنها تتنبأ بالكلمة التالية احتماليًا بدلاً من التفكير منطقيًا.

يسمح دمج التفكير الرمزي لهذه النماذج بـ "تأسيس" مخرجاتها على الحقائق. نحن نشهد هذا التطور في الأدوات التي تجمع بين فهم اللغة الطبيعية والاستعلامات المنظمة عن قواعد البيانات أو الحلول الرياضية. بالنسبة للمطورين الذين يبنون أنظمة معقدة، توفر منصة Ultralytics البنية التحتية اللازمة لإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تعمل كأساس حسي لهذه التطبيقات المتقدمة القائمة على المنطق.