Symbolic AI

الذكاء الاصطناعي الرمزي هو فرع من الذكاء الاصطناعي يعتمد على تمثيلات عالية المستوى وقابلة للقراءة من جانب البشر للمشكلات، وعلى المنطق وقدرات البحث لحل المهام المعقدة. ويُشار إلى هذا النهج غالبًا باسم «الذكاء الاصطناعي التقليدي الجيد» (GOFAI)، إذ يحاول محاكاة قدرة الإنسان على الاستدلال من خلال معالجة الرموز—وهي سلاسل من المحارف تمثل مفاهيم من العالم الحقيقي—وفق قواعد صريحة. وعلى خلاف التعلم العميق (DL) الحديث، الذي يتعلم الأنماط من كميات هائلة من البيانات، تتم برمجة الذكاء الاصطناعي الرمزي يدويًا بمعرفة وقيود منطقية محددة، ما يجعله فعالًا للغاية في المشكلات التي تتطلب التزامًا صارمًا بالقواعد واتخاذ قرارات شفافًا.

آليات الاستدلال الرمزي#

يكمن جوهر الذكاء الاصطناعي الرمزي في معالجة الرموز باستخدام المنطق. ولا تعتمد هذه الأنظمة على الشبكات العصبية الموجودة في الذكاء الاصطناعي الإحصائي؛ بل تستخدم محرك استدلال لاشتقاق حقائق جديدة من قواعد المعرفة الموجودة. فعلى سبيل المثال، قد يخزن نظام رمزي الحقائق «سقراط رجل» والقاعدة «كل الرجال فانون». ومن خلال تطبيق الاستنباط المنطقي، يستطيع النظام أن يستنتج بصورة مستقلة أن «سقراط فانٍ».

تتيح هذه البنية الصريحة مستويات عالية من الذكاء الاصطناعي القابل للتفسير (XAI). وبما أن النظام يتبع سلسلة منطقية واضحة من نوع «IF-THEN»، يستطيع المهندسون تتبع السبب الدقيق لاتخاذ قرار محدد. ويتباين ذلك بشدة مع طبيعة «الصندوق الأسود» في العديد من نماذج الذكاء الاصطناعي التوليدي، حيث تكون عملية الاستدلال الداخلية غالبًا غامضة.

الذكاء الاصطناعي الرمزي مقابل الذكاء الاصطناعي الإحصائي#

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

• الذكاء الاصطناعي الرمزي تصاعدي قائم على القواعد. وهو يتفوق في الاستدلال التجريدي والتخطيط ومعالجة البنى المحددة، مثل المعادلات الجبرية أو رسوم المعرفة. ويؤدي أداءً مثاليًا في البيئات الساكنة التي لا تتغير قواعدها، لكنه يواجه صعوبة مع البيانات المشوشة، مثل الصور غير المنظمة، أو مع الغموض.
• الذكاء الاصطناعي الإحصائي (بما في ذلك التعلم الآلي) تنازلي قائم على البيانات. تتعلم نماذج مثل YOLO26 التعرف على الأنماط من خلال معالجة آلاف الصور. وهي متينة في مواجهة التشويش وممتازة في مهام الإدراك، لكنها تفتقر عمومًا إلى القدرة على إجراء الاستدلال المنطقي من دون مكونات إضافية.

التطبيقات الواقعية#

على الرغم من هيمنة التعلم العميق على مهام الإدراك، يظل الذكاء الاصطناعي الرمزي بالغ الأهمية في القطاعات التي تتطلب الدقة وقابلية التدقيق.

• الأنظمة الخبيرة في الرعاية الصحية: كانت الأنظمة الخبيرة الرمزية من الأشكال المبكرة للذكاء الاصطناعي في الطب. وتستخدم هذه الأنظمة قاعدة بيانات للمعرفة الطبية ومجموعة من قواعد التشخيص لاقتراح العلاجات. واليوم، تعمل طبقات المنطق هذه غالبًا إلى جانب نماذج الرؤية الخاصة بـالذكاء الاصطناعي في الرعاية الصحية، لضمان توافق التشخيص مع البروتوكولات الطبية المعتمدة.
• الامتثال التنظيمي والمالي: في عالم الذكاء الاصطناعي في التمويل، غالبًا ما تكون التخمينات الاحتمالية غير مقبولة. تستخدم برمجيات الضرائب وأدوات التحقق الآلي من الامتثال المنطق الرمزي لضمان التزام كل عملية حسابية التزامًا صارمًا القوانين الضريبية الحكومية. ولا تكفي «احتمالية بنسبة 99%» للإقرار الضريبي؛ بل يجب أن يكون المنطق دقيقًا، وهذه إحدى نقاط قوة البرمجة الرمزية.

صعود الذكاء الاصطناعي العصبي الرمزي#

يتمثل أحد الاتجاهات الناشئة القوية في الذكاء الاصطناعي العصبي الرمزي، الذي يجمع بين قدرة الشبكات العصبية على الإدراك وقدرة المنطق الرمزي على الاستدلال. وفي هذه الأنظمة الهجينة، يتولى نموذج الرؤية الحاسوبية معالجة المدخلات الحسية (رؤية العالم)، بينما تتولى طبقة رمزية مهمة الاستدلال (فهم القواعد).

فعلى سبيل المثال، يمكنك استخدام Ultralytics YOLO26 لاكتشاف الكائنات في مصنع، ثم استخدام برنامج نصي رمزي بسيط لفرض قواعد السلامة استنادًا إلى عمليات الاكتشاف هذه.

يوضح المثال التالي سير عمل أساسيًا للذكاء الاصطناعي العصبي الرمزي: يدرك المكوّن العصبي (Ultralytics YOLO26) الكائن، ويطبّق المكوّن الرمزي (منطق Python) قاعدةً معينة.

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.")

التوقعات المستقبلية#

بينما يسعى الباحثون نحو الذكاء الاصطناعي العام (AGI)، أصبحت قيود النماذج الإحصائية البحتة واضحة. فكثيرًا ما تعاني نماذج اللغة الكبيرة (LLMs)، مثل GPT-4، من «الهلوسة» لأنها تتنبأ بالكلمة التالية احتماليًا بدلًا من الاستدلال منطقيًا.

يتيح دمج الاستدلال الرمزي لهذه النماذج «إسناد» مخرجاتها إلى الحقائق. ونشهد هذا التطور في الأدوات التي تجمع بين فهم اللغة الطبيعية واستعلامات قواعد البيانات المهيكلة أو المحللات الرياضية. وبالنسبة إلى المطورين الذين ينشئون أنظمة معقدة، توفر منصة Ultralytics البنية التحتية اللازمة لإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تمثل الأساس الحسي لهذه التطبيقات المتقدمة القائمة على المنطق.