シンボリックAI

シンボリックAIは、しばしばGood Old-Fashioned AI（GOFAI）と呼ばれ、明示的なルールとシンボルによって人間の知識を表現することに焦点を当てた人工知能（AI）の一分野である。このアプローチは、1950年代から1980年代後半まで、AI研究において支配的なパラダイムであった。現代のデータ駆動型手法とは異なり、シンボリックAIは、一連の論理的ルールに支配された実世界の概念を表すシンボルを操作することで知能を実現できるという原則に基づいている。ジョン・マッカーシーのような先駆者たちによって提唱された核となる考え方は、人間の演繹的論理に似た方法で世界について推論できるシステムを構築することだった。

シンボリックAIの仕組み

記号的AIシステムは通常、知識ベースと推論エンジンという2つの主要コンポーネントで構成される。

• 知識ベース：事実、概念、およびそれらの間の関係を含む構造化されたデータベース。この知識はしばしば人間の専門家によって手作業で管理される。この概念の現代的な同等物は知識グラフで見ることができる。
• 推論エンジン： 知識ベースに論理的演繹を適用し、新しい情報を導き出したり、意思決定を行うためのルールとアルゴリズムのセット。以下のような形式論理を使用する。 IF-THEN ステートメントを作成し、クエリーを処理し、問題を解決する。このプロセスは非常に透明性が高いため、次のような基礎となっている。 説明可能なAI（XAI）.

Lispや Prologのようなプログラミング言語は、このルールベースのプログラミングスタイルをサポートするために特別に開発された。

記号的AIと機械学習の比較

シンボリックAIは、ウルトラリティクスYOLOのような高度なコンピュータビジョン（CV）モデルを含む、現代のほとんどのAIアプリケーションの基盤である機械学習（ML）とは根本的に異なります。

重要な違いは、知識の獲得方法にある：

• シンボリックAIはトップダウンのアプローチである。人間の専門家が明示的にルールと知識をシステムにプログラムする。システムの推論は、このあらかじめ定義された知識に限定される。
• 機械学習はボトムアップのアプローチである。特にディープラーニングや ニューラルネットワーク（NN）を使ったモデルは、膨大な量の学習データを分析することで、暗黙のうちにパターンや関係を学習する。例えば、YOLOモデルは、"車 "や "人 "を構成する明確なルールを教えてもらうのではなく、何千ものラベル付き画像で学習することで、物体検出を行うことを学習する。

MLモデルは複雑で非構造化データの取り扱いに優れていますが、その意思決定プロセスは不透明な場合があります。対照的に、シンボリックAIの推論は容易に追跡可能であり、これは説明責任とAI倫理が最重要視されるアプリケーションにとって極めて重要である。

実際の応用と例

現在ではあまり見かけなくなったが、シンボリックAIはいくつかの重要なアプリケーションを生み出し、その原理は今でも有効である。

1. エキスパート・システム：これらは、記号AIの最も成功したアプリケーションの一つである。エキスパート・システムは、特定の領域における人間の専門家の意思決定能力をエミュレートするように設計されている。例えば、MYCINは1970年代に開発された有名なエキスパートシステムで、重度の感染症を引き起こす細菌を特定し、抗生物質を推奨する。これは、医学の専門家から得た約600のルールからなる知識ベースを使用していた。
2. 初期の自然言語処理（NLP）：統計的手法や大規模言語モデル（LLM）が台頭する以前は、自然言語処理システムは記号的アプローチに依存していた。文章を解析し、言語構造を理解するために、形式的な文法と構文ルールを使用していた。初期の自動文法チェッカーや機械翻訳システムは、こうした原理に基づいて構築された。

未来ハイブリッドAI

シンボリックAIの限界、特に新しい状況や曖昧な状況に直面したときのもろさや、知識ベースの拡張の難しさが、MLの台頭につながった。しかし、将来的には、両者の長所を組み合わせたハイブリッドAIモデルが登場する可能性が高い。シンボリックAIの論理的推論とMLのパターン認識能力を統合することで、開発者はより堅牢で透明性が高く、有能なAIシステムを構築することができる。これらのハイブリッド・システムは、基礎モデルの学習プロセスを強化するために記号システムの構造的知識を活用することを目的としており、ニューロ・シンボリックAIのような分野で研究されているコンセプトである。Ultralytics HUBのようなプラットフォームは、MLモデルのデプロイメントを合理化し、いつかこれらのハイブリッド技術を取り入れることができるだろう。