Symbolic AI

الذكاء الاصطناعي الرمزي هو نهج في الذكاء الاصطناعي (AI) يمثل المعرفة برموز قابلة للقراءة البشرية، مثل bird وpenguin أو «سقراط رجل»، ويستدل عليها باستخدام قواعد صريحة ومنطق وبحث. وقد هيمن على أبحاث AI من ورشة دارتموث عام 1956 حتى ثمانينيات القرن العشرين، ثم أطلق عليه الفيلسوف جون هوغلاند اسم «الذكاء الاصطناعي التقليدي العريق» (GOFAI) عام 1985. ويمكن تتبع كل نتيجة يتوصل إليها نظام رمزي إلى قواعد كتبها شخص ويمكنه قراءتها، ما يجعل النظام قابلًا للتدقيق، لكن يتعين تدوين كل جزء من معرفته يدويًا، ما يجعل توسيع نطاقه صعبًا.

آلية عمل الذكاء الاصطناعي الرمزي#

يتكون النظام الرمزي من جزأين. تخزن قاعدة المعرفة الحقائق («سقراط رجل») والقواعد («كل الرجال فانون») بلغة رسمية مثل منطق الرتبة الأولى، أو قواعد الإنتاج الشرطية، أو الرسم البياني المعرفي. ويطبق محرك الاستدلال القواعد لاشتقاق حقائق لم تُخزّن («سقراط فانٍ»). يبدأ التسلسل الأمامي من الحقائق المعروفة، ويُفعّل كل قاعدة تتحقق شروطها إلى أن يتوقف ظهور حقائق جديدة. أما التسلسل الخلفي فيبدأ من هدف، ثم يرجع إلى الحقائق التي تثبته؛ وهذه هي الاستراتيجية المضمنة في لغة البرمجة المنطقية Prolog.

تستند النظرية وراء هذا النهج إلى فرضية نظام الرموز الفيزيائي التي طرحها ألين نيويل وهربرت سايمون عام 1976، والتي تفترض أن معالجة الرموز ضرورية وكافية لتحقيق الذكاء العام. ويمكن كتابة محرك للتسلسل الأمامي في بضعة أسطر من Python العادية:

# Knowledge base: IF every premise is a known fact THEN add the conclusion
rules = [
    ({"has_feathers", "lays_eggs"}, "bird"),
    ({"bird", "cannot_fly", "swims"}, "penguin"),
]
facts = {"has_feathers", "lays_eggs", "cannot_fly", "swims"}

# Forward chaining: keep firing rules until no new fact appears
changed = True
while changed:
    changed = False
    for premises, conclusion in rules:
        if premises <= facts and conclusion not in facts:
            facts.add(conclusion)
            changed = True
            print(f"{conclusion} <- {sorted(premises)}")

يطبع المحرك bird <- ['has_feathers', 'lays_eggs'] ثم penguin <- ['bird', 'cannot_fly', 'swims']: ولا تُفعّل القاعدة الثانية إلا لأن الأولى أضافت bird، ويقدم كل سطر مطبوع تفسيرًا كاملًا لسبب صحة النتيجة؛ وهذا النوع من مسارات الاستدلال تحاول أساليب الذكاء الاصطناعي القابل للتفسير (XAI) إعادة بنائه للشبكات العصبية.

الأنظمة الخبيرة#

وصل الذكاء الاصطناعي الرمزي إلى القطاع الصناعي في سبعينيات وثمانينيات القرن العشرين على هيئة أنظمة خبيرة. فقد حدد نظام MYCIN في جامعة ستانفورد البكتيريا المسببة للعدوى الشديدة، وأوصى بمضادات حيوية استنادًا إلى نحو 600 قاعدة استُخلصت من الأطباء، كما هيأ نظام XCON التابع لشركة Digital Equipment Corporation طلبات العملاء لحواسيب VAX. وتحيط الأنظمة الخبيرة بالمحرك الأساسي مهندسُ معرفة، يجري مقابلات مع خبراء المجال ويحوّل معارفهم إلى قواعد، وميزةٌ للتفسير تعيد عرض القواعد التي استندت إليها كل إجابة.

أصبحت مرحلة المقابلات عنق الزجاجة. فغالبًا ما يعجز الخبراء عن صياغة حدسهم في صورة قواعد، وتتعثر قواعد المعرفة الكبيرة في الحالات التي لم يتوقعها أحد، كما لا تستطيع الأنظمة التعلم من البيانات. وقد أمضى مشروع Cyc الذي أطلقه دوغ لينات عام 1984 لتدوين المعرفة العامة يدويًا عقودًا في معالجة هذه المشكلة. وعندما انهارت ميزانيات الأنظمة الخبيرة في أواخر ثمانينيات القرن العشرين، دخل المجال مرحلة «شتاء الذكاء الاصطناعي» الثانية.

الذكاء الاصطناعي الرمزي مقابل الذكاء الاصطناعي الإحصائي#

يتعلم الذكاء الاصطناعي الإحصائي الأنماط من الأمثلة، وهو النهج الذي تستند إليه التعلّم الآلي (ML) والتعلّم العميق (DL) الحديثان. ويخفق النموذجان في مواضع متعاكسة:

• الذكاء الاصطناعي الرمزي: دقيق وشفاف ويمكن استخدامه من دون أي بيانات تدريب، لذا يناسب الحساب والتخطيط واللوائح والبراهين الرسمية. لكنه لا يستطيع التعامل مع الإدراك الخام، إذ لا يمكن لأحد كتابة قواعد تتعرف على قطة من قيم البكسلات، كما يخفق مع المدخلات التي لم تتوقعها قواعده.
• الذكاء الاصطناعي الإحصائي: يتعلم الإدراك واللغة مباشرةً من البيانات ويتحمل الضوضاء، لكنه يحتاج إلى مجموعات بيانات كبيرة، ويصعب فحص قراراته، وقد تنتج نماذج اللغة إجابات سلسة لكنها خاطئة، تُعرف بالهلوسات.

استخدامات الذكاء الاصطناعي الرمزي اليوم#

• محركات القواعد والامتثال: تدوّن برامج الضرائب ومحركات قواعد الأعمال اللوائح في صورة قواعد صريحة، بحيث يمكن تتبع كل نتيجة إلى البند الذي أنتجها.
• التخطيط والجدولة: تبحث المخططات الآلية في أوصاف رمزية للأفعال وشروطها المسبقة وآثارها، لجدولة الخدمات اللوجستية وأعمال المصانع وعمليات المركبات الفضائية.
• التحقق الرسمي: تثبت محللات SAT وSMT مثل Z3 من Microsoft خصائص الشرائح والبرمجيات، وتتحقق مساعدات البراهين مثل Lean من البراهين الرياضية خطوةً خطوة.
• الرسوم البيانية المعرفية: تخزن محركات البحث وWikidata مليارات الحقائق على هيئة كيانات وعلاقات تستطيع الاستعلامات اجتيازها.

الذكاء الاصطناعي العصبي الرمزي#

يجمع الذكاء الاصطناعي العصبي الرمزي بين النموذجين: تتولى الشبكات العصبية الإدراك والتعرف على الأنماط، وتتولى المكونات الرمزية القواعد والقيود والاستدلال الدقيق. وتستخدم نماذج اللغة التي تستدعي آلة حاسبة أو قاعدة بيانات SQL أو مفسّرًا برمجيًا عبر استدعاء الدوال تقسيم العمل نفسه. وفي مسارات الرؤية، يحوّل كاشف مثل Ultralytics YOLO26 البكسلات إلى رموز، أي أسماء فئات الأجسام التي يعثر عليها، ثم تستدل القواعد العادية عليها:

from ultralytics import YOLO

# ⁨الإدراك العصبي: اكشف الأجسام واحتفظ بأسماء فئاتها بوصفها حقائق رمزية⁩
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
facts = {result.names[int(c)] for c in result.boxes.cls}

# ⁨الاستدلال الرمزي: إذا وُجدت حافلة وشخص، فأطلق تنبيهًا⁩
if {"bus", "person"} <= facts:
    print("Rule fired: pedestrians next to a bus")

يغيّر تعديل القاعدة سلوك النظام فورًا من دون إعادة تدريب. ويطبق AlphaGeometry من Google DeepMind التقسيم نفسه على الرياضيات: إذ يقترح نموذج لغة عصبي إنشاءات مساعدة، ويبرهن محرك استدلال رمزي النتيجة انطلاقًا منها، وقد حلّا معًا 25 مسألة من أصل 30 في هندسة الأولمبياد الدولي للرياضيات، وفق ورقة نُشرت في Nature عام 2024.