الذكاء الاصطناعي الرمزي

المبادئ الأساسية

ويكمن أساس الذكاء الاصطناعي الرمزي في فرضية نظام الرموز الفيزيائية، والتي تفترض أن السلوك الذكي يمكن تحقيقه من خلال التلاعب في هياكل الرموز. وتشمل المكونات الرئيسية ما يلي:

• تمثيل المعرفة: ترميز المعرفة البشرية وخبرة المجال في لغة رسمية يمكن للحاسوب معالجتها. ويمكن أن يشمل ذلك القواعد المنطقية (عبارات "إذا-ثم") أو الشبكات الدلالية أو الأطر أو الرسوم البيانية المعرفية. ومن الأمثلة المعروفة مشروع Cyc، الذي يهدف إلى تدوين المعرفة المنطقية الشائعة.
• محرك الاستدلال: آلية استدلال تطبق القواعد المنطقية على القاعدة المعرفية لاستنباط استنتاجات جديدة أو حل المشاكل أو اتخاذ القرارات. وغالباً ما ينطوي ذلك على تقنيات من المنطق الرسمي، مثل الاستنتاج والاستقراء، ويتم تنفيذها باستخدام لغات مثل Prolog.
• خوارزميات البحث: طرق لاستكشاف مساحة الحلول الممكنة أو مسارات التفكير الممكنة، وهي ضرورية لمهام مثل التخطيط وحل المشكلات.

التمييز من التعلم الآلي

يتناقض الذكاء الاصطناعي الرمزي بشكل كبير مع مناهج الذكاء الاصطناعي الإحصائي والتعلم الآلي مثل التعلم العميق (DL)، والتي تهيمن على الذكاء الاصطناعي الحديث، لا سيما في مجالات مثل الرؤية الحاسوبية. في حين أن نماذج مثل Ultralytics YOLO تتفوق في المهام الإدراكية مثل اكتشاف الكائنات وتصنيف الصور من خلال تعلم الميزات مباشرةً من البيانات، فإن الذكاء الاصطناعي الرمزي يعتمد على المعرفة المبرمجة صراحةً. وهذا يجعل أنظمة الذكاء الاصطناعي الرمزي بطبيعتها أكثر قابلية للتفسير والشرح(الذكاء الاصطناعي القابل للتفسير (XAI))، حيث يمكن تتبع خطوات التفكير الخاصة بها. ومع ذلك، فإنها غالبًا ما تعاني من الغموض وعدم اليقين والتعلم من البيانات الخام غير المنظمة، حيث يكون أداء نماذج التعلم الآلي أفضل عادةً.

التطبيقات والأمثلة

كان الذكاء الاصطناعي الرمزي هو النموذج المهيمن في معظم تاريخ الذكاء الاصطناعي وحقق نجاحًا في مجالات مختلفة:

1. النظم الخبيرة: تغلف هذه النظم معرفة الخبراء البشريين لتقديم المشورة أو حل المشاكل في مجالات محددة. ومن الأمثلة المبكرة الشهيرة على ذلك نظام "مايسين" المصمم لتشخيص العدوى البكتيرية. لا تزال الأنظمة الحديثة القائمة على القواعد تُستخدم في مجالات مثل الذكاء الاصطناعي في مجال التمويل للامتثال التنظيمي أو الاكتتاب الآلي.
2. معالجة اللغات الطبيعية (NLP): اعتمدت أنظمة البرمجة اللغوية العصبية المبكرة بشكل كبير على القواعد الرمزية لتحليل تراكيب الجمل (بناء الجملة) وفهم المعنى(التحليل الدلالي). في حين أن البرمجة اللغوية العصبية الحديثة تستخدم إلى حد كبير الأساليب الإحصائية ونماذج اللغة الكبيرة (LLMs)، إلا أن التقنيات الرمزية لا تزال ذات قيمة لمهام محددة أو في الأنظمة الهجينة.
3. التخطيط والجدولة: يعد الذكاء الاصطناعي الرمزي مناسبًا تمامًا للمهام التي تتطلب تخطيطًا معقدًا، مثل تحسين الخدمات اللوجستية، وتخطيط مسار الروبوتات، وأنظمة الجدولة الآلية. لا يزال تخطيط الذكاء الاصطناعي مجالاً بحثيًا نشطًا.
4. التحقق الرسمي: يُستخدم في هندسة البرمجيات وتصميم الأجهزة لإثبات صحة الأنظمة رياضيًا مقابل المواصفات الرسمية.

نقاط القوة والقيود

نقاط القوة:

• قابلية التفسير: خطوات الاستدلال شفافة ويمكن تتبعها.
• تكامل المعرفة: يسمح بالدمج المباشر للخبرة البشرية وقواعد المجال.
• الدقة: يمكنه التعامل مع المهام التي تتطلب التفكير المنطقي الدقيق بفعالية.

القيود:

• الهشاشة: يمكن أن تفشل الأنظمة بشكل غير متوقع عندما تواجه مواقف خارج قواعدها المحددة مسبقاً.
• عنق زجاجة اكتساب المعرفة: ترميز قواعد المعرفة الشاملة يدويًا أمر صعب ويستغرق وقتًا طويلاً.
• التعامل مع عدم اليقين: صعوبات مع المنطق الاحتمالي والبيانات الضبابية أو غير المكتملة مقارنةً بالطرق الإحصائية.
• قابلية التوسع: يمكن أن ينمو تعقيد الاستدلال أضعافًا مضاعفة مع حجم القاعدة المعرفية.

المستقبل: النُهج الهجينة

وفي حين أن الذكاء الاصطناعي الرمزي البحت يواجه تحديات، إلا أن نقاط قوته في الاستدلال والتفسير ذات قيمة. تركز الأبحاث الحالية على المقاربات الهجينة، والتي غالبًا ما يُطلق عليها اسم الذكاء الاصطناعي العصبي الرمزي، والتي تهدف إلى الجمع بين قدرات التعرف على الأنماط للشبكات العصبية والاستدلال المنطقي للأنظمة الرمزية. تستكشف منظمات مثل معهد ألن للذكاء الاصطناعي (AI2 ) والمجتمعات البحثية مثل معهد الذكاء الاصطناعي الأمريكي هذه التكاملات، مما قد يؤدي إلى أنظمة ذكاء اصطناعي أكثر قوة وتنوعًا وجدارة بالثقة. قد تستفيد إدارة تعقيد هذه الأنظمة الهجينة من منصات مثل Ultralytics HUB لتتبع التجارب ونشر النماذج.