اكتشف الذكاء الاصطناعي الرمزي: تعلم كيف تحاكي الأنظمة القائمة على القواعد التفكير البشري، وتمزج بين المنطق والذكاء الاصطناعي الحديث للحصول على حلول قوية وقابلة للتفسير.
الذكاء الاصطناعي الرمزي، الذي يُشار إليه غالبًا باسم الذكاء الاصطناعي القديم الجيد (GOFAI)، هو فرع من فروع الذكاء الاصطناعي (AI) الذي يعتمد على على تمثيلات عالية المستوى يمكن للبشر قراءتها للمشاكل والقواعد الصريحة لمعالجة المعلومات. على عكس الحديثة التي تعتمد على البيانات التي تتعلم الأنماط من مجموعات البيانات الضخمة، فإن الذكاء الاصطناعي الرمزي مبني على فرضية أن الذكاء يمكن تحقيقه من خلال معالجة الرموز باستخدام قواعد منطقية. هيمن هذا النموذج على الذكاء الاصطناعي من خمسينيات إلى ثمانينيات القرن العشرين، وقد دافع عنه رواد مثل جون ماكارثي، ولا يزال وثيق الصلة اليوم في التطبيقات التي تتطلب التزامًا صارمًا بالقيود المنطقية وقابلية تفسير واضحة.
تحاكي أنظمة الذكاء الاصطناعي الرمزية التفكير البشري من خلال معالجة المعرفة المحددة بوضوح. تتكون عادةً من عنصرين مكونين معماريين رئيسيين:
IF-THEN البيانات. تمثل قاعدة البيانات هذه "ما" ذكاء النظام.
تسمح هذه البنية بدرجة عالية من من الذكاء الاصطناعي القابل للتفسير (XAI)، حيث يمكن تتبع مسار يمكن تتبع مسار اتخاذ القرار خطوة بخطوة من خلال القواعد التي يطبقها.
لفهم مشهد الذكاء الاصطناعي الحديث، من الضروري التمييز بين الذكاء الاصطناعي الرمزي و الذكاء الاصطناعي الإحصائي.
في حين أن YOLO11 ممتاز في إجراء اكتشاف الأجسام من خلال التعلم من آلاف من الصور، فإن النظام الرمزي البحت سيفشل في هذه المهمة لأنه من المستحيل كتابة قواعد يدويًا لكل التباين البصري الممكن للكائن يدويًا.
على الرغم من ظهور الشبكات العصبية، لا يزال الذكاء الاصطناعي الرمزي يُستخدم على نطاق واسع، وغالبًا ما يكون ذلك بالاقتران مع طرق أخرى.
إحدى أقوى الطرق لاستخدام الذكاء الاصطناعي الرمزي اليوم هي دمجه مع النماذج الإحصائية. هذا النهج يستفيد من القدرات الإدراكية للتعلم العميق مع التفكير المنطقي للأنظمة الرمزية.
على سبيل المثال، قد تستخدم نموذجًا إحصائيًا detect الكائنات ثم تطبيق قواعد رمزية للعمل على تلك الاكتشافات.
from ultralytics import YOLO
# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")
# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
for box in result.boxes:
if box.cls == 0 and box.conf > 0.8: # Class 0 is 'person' in COCO dataset
print(f"Action Triggered: High-confidence person detected at {box.xywh}")
الميزة الأساسية للذكاء الاصطناعي الرمزي هي شفافيته. في صناعات مثل الرعاية الصحية أو التمويل، حيث تكون أخلاقيات الذكاء الاصطناعي والامتثال التنظيمي أمرًا بالغ الأهمية، فإن القدرة على القدرة على تدقيق القواعد الكامنة وراء القرار أمر لا يقدر بثمن. وعلاوة على ذلك، لا تتطلب الأنظمة الرمزية كميات هائلة من من البيانات الضخمة لتعمل؛ فهي تحتاج فقط إلى مجموعة صالحة من القواعد الصالحة.
ومع ذلك، فإن "عنق زجاجة اكتساب المعرفة" يمثل قيدًا كبيرًا. ترميز جميع المعارف الضرورية يدوياً في قواعد يستغرق وقتاً طويلاً وهشاً. لا يمكن للنظام التعلم من الأخطاء أو التكيف مع البيئات الجديدة دون تدخل بشري، والمعروف باسم مشكلة الإطار. هذا الجمود هو السبب في أن أبحاث الذكاء الاصطناعي الحديثة يفضل بشدة المناهج الهجينة التي تدمج الشبكات العصبية للتعلم مع المنطق الرمزي للتفكير المنطقي.
