Symbolic AI

الذكاء الاصطناعي الرمزي هو فرع من فروع الذكاء الاصطناعي يعتمد على تمثيلات عالية المستوى وقابلة للقراءة للبشر للمشكلات والمنطق وقدرات البحث لحل المهام المعقدة. يُشار إلى هذا النهج غالباً باسم "الذكاء الاصطناعي القديم الجيد" (GOFAI)، وهو يحاول محاكاة قدرة الإنسان على التفكير من خلال معالجة الرموز - وهي سلاسل من الأحرف التي تمثل مفاهيم العالم الحقيقي - وفقاً لقواعد صريحة. على عكس التعلم العميق (DL) الحديث الذي يتعلم الأنماط من كميات هائلة من البيانات، يتم برمجة الذكاء الاصطناعي الرمزي يدويًا بمعرفة محددة وقيود منطقية، مما يجعله فعالاً للغاية للمشكلات التي تتطلب الالتزام الصارم بالقواعد واتخاذ القرارات بشفافية.

آليات التفكير الرمزي#

في صميم الذكاء الاصطناعي الرمزي يكمن التلاعب بالرموز باستخدام المنطق. لا تعتمد هذه الأنظمة على الشبكات العصبية الموجودة في الذكاء الاصطناعي الإحصائي؛ وبدلاً من ذلك، تستخدم محرك الاستدلال استنباط حقائق جديدة من قواعد المعرفة الحالية. على سبيل المثال، قد يقوم النظام الرمزي بتخزين حقيقة "سقراط إنسان" وقاعدة "جميع البشر فانون". من خلال تطبيق الاستدلال المنطقي، يمكن للنظام أن يستنتج بشكل مستقل أن "سقراط فانٍ".

يتيح هذا الهيكل الصريح مستويات عالية من الذكاء الاصطناعي القابل للتفسير (XAI). نظراً لأن النظام يتبع سلسلة واضحة من المنطق "إذا-إذن" (IF-THEN)، يمكن للمهندسين تتبع السبب الدقيق وراء اتخاذ قرار معين. يتناقض هذا بشكل حاد مع طبيعة "الصندوق الأسود" للعديد من نماذج الذكاء الاصطناعي التوليدي، حيث تكون عملية التفكير الداخلي غامضة غالباً.

الذكاء الاصطناعي الرمزي مقابل الذكاء الاصطناعي الإحصائي#

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

• الذكاء الاصطناعي الرمزي هو نهج تنازلي وقائم على القواعد. وهو يتفوق في التفكير المجرد، والتخطيط، ومعالجة الهياكل المعرفة، مثل المعادلات الجبرية أو الرسوم البيانية المعرفية. وهو يعمل بشكل مثالي في البيئات الثابتة حيث لا تتغير القواعد، ولكنه يعاني عند التعامل مع البيانات الملوثة بالتشويش (مثل الصور غير estructured) أو الغموض.
• الذكاء الاصطناعي الإحصائي (بما في ذلك Machine Learning) يعتمد على النهج التصاعدي والبيانات. تتعلم نماذج مثل YOLO26 التعرف على الأنماط من خلال معالجة آلاف الصور. وهي تتسم بالمتانة في مواجهة التشويش وتتفوق في مهام الإدراك، لكنها تفتقر عموماً إلى القدرة على أداء الاستدلال المنطقي دون مكونات إضافية.

تطبيقات 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 للذكاء الاصطناعي في الطب عبارة عن أنظمة خبيرة رمزية. تستخدم هذه الأنظمة قاعدة بيانات للمعرفة الطبية ومجموعة من قواعد التشخيص لاقتراح العلاجات. اليوم، غالباً ما تعمل طبقات المنطق هذه جنباً 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، غالباً ما تكون التخمينات الاحتمالية غير مقبولة. تستخدم برامج الضرائب وأجهزة التحقق التلقائي من الامتثال المنطق الرمزي لضمان التزام كل عملية حسابية بدقة بقوانين الضرائب الحكومية. "احتمالية بنسبة 99%" غير كافية لتقديم الإقرار الضريبي؛ يجب أن يكون المنطق دقيقاً، وهي ميزة تتميز بها البرمجة الرمزية.

صعود 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، قد تستخدم Ultralytics YOLO26 لاكتشاف الكائنات في مصنع، ثم تستخدم نصاً رمزياً بسيطاً فرض قواعد السلامة بناءً على تلك الاكتشافات.

يوضح المثال التالي سير عمل أساسياً يجمع بين الذكاء الاصطناعي العصبي والرمزي: يقوم المكون العصبي (Ultralytics YOLO26) بإدراك الكسر، ويطبق المكون الرمزي (منطق Python) قاعدة 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.")

النظرة المستقبلية#

بينما يسعى الباحثون نحو الذكاء الاصطناعي العام (AGI)، تصبح قيود النماذج الإحصائية البحتة واضحة. تعاني نماذج اللغات الكبيرة (LLMs) مثل GPT-4 غالباً من "الهلوسة" لأنها تتنبأ بالكلمة التالية بشكل احتمالي بدلاً من التفكير بمنطق.

يسمح دمج الاستدلال الرمزي لهذه النماذج بـ "تثبيت" مخرجاتها في الحقائق. ونحن نشهد هذا التطور في الأدوات التي تجمع بين فهم اللغة الطبيعية واستعلامات قواعد البيانات المهيكلة أو المحлلات الرياضية. بالنسبة للمهندسين الذين يقومون بإنشاء أنظمة معقدة، توفر منصة Ultralytics البنية التحتية اللازمة لإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تعمل الأساس الحسي لهذه التطبيقات المتقدمة المدفوعة بالمنطق.