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、人工知能（AI）の一分野である。 人工知能（AI）の一分野である。 高レベルの、人間が読める問題表現と、情報を処理するための明示的なルールに依存する人工知能（AI）の一分野である。現代の 膨大なデータセットからパターンを学習する現代のデータ駆動型アプローチとは異なり、シンボリックAIは、次のような前提に基づいて構築されている。 知能は論理的ルールを用いたシンボルの操作によって達成される。このパラダイムは、1950年代から の研究は1950年代から1980年代まで支配的だった。 ジョン・マッカーシーのような先駆者たちによって支持された。 今日でも、論理的制約の厳格な遵守と明確な解釈可能性を必要とするアプリケーションにおいて、高い関連性を保っている。

記号システムのコア・コンポーネント

記号的AIシステムは、明示的に定義された知識を処理することで、人間の推論を模倣する。システムは通常、次の2つから構成される。 主なアーキテクチャ・コンポーネント

• ナレッジベース 世界に関する事実や情報を含む一元化されたリポジトリ。 として構造化されている。 ナレッジグラフ または IF-THEN ステートメント。このデータベースは、システムのインテリジェンスの「何」を表している。
• 推論エンジン：知識ベースに論理的ルールを適用して、新しい情報を推論したり、意思決定を行ったりする処理ユニット。 新しい情報を推論したり、意思決定を行う。推論エンジン 演繹的推論により、エンジンは記号をナビゲートし 記号を通して結論に到達し、その結果が入力に基づいて数学的に証明可能であることを保証する。

この構造により、高度な 説明可能なAI（XAI）を可能にする。 システムの意思決定経路は、適用されたルールを通じて段階的に遡ることができるからだ。

記号的AIと統計的AI

現代のAIの状況を理解するためには、シンボリックAIと以下のAIを区別することが極めて重要である。 統計的AI

• シンボリックAIはトップダウン方式を採用している。プログラマーはシステムのルールを明示的にコーディングする。記号的AIは 抽象的な推論、数学、プランニングを得意とするが、曖昧さや、生のピクセルや音声のような厄介な非構造化データを苦手とする。 生のピクセルや音声のような
• 統計的AI 機械学習（ML）と ディープラーニング（DL）を含む統計的AIは、ボトムアップ・アプローチを採用している。 以下のようなモデル 畳み込みニューラルネットワーク（CNN）のようなモデル のようなモデルは、学習データから暗黙的にパターンを学習する。 どのように認識するかを指示されるのではなく、学習データから暗黙的にパターンを学習する。

を使用しながら YOLO11モデルは YOLO11モデルは、何千枚もの画像から学習することで YOLO11モデルは何千枚もの画像から学習することで物体検出を行う優れたものだが、純粋に記号的なシステムではこのタスクは失敗するだろう。 というのも、物体の視覚的なバリエーションをすべて手動でルール化することは不可能だからである。

実際のアプリケーション

ニューラルネットワークの台頭にもかかわらず、シンボリックAIはいまだに広く使われており、しばしば他の手法と併用されている。

1. エキスパート・システム：これらは、人間の専門家の意思決定能力をエミュレートするために設計された、商業的に成功した最初のAI製品である。 人間の専門家の意思決定能力を模して設計された。例えば MYCINのようなシステムは、細菌感染を診断するために何百ものルール 感染症を診断する。今日、同様のロジックが ビジネス・ルール・エンジン が自動的に融資の適格性を判断している。
2. ロボティクスとプランニング：自律走行車と 自律走行車とロボット工学では、高レベルのプランニングはしばしば記号化される。 高レベルのプランニングは多くの場合、記号的なものである。ニューラル・ネットワークが道路の認識を処理するのに対し、シンボリック・プランナーは論理を使用する。 信号が赤なら止まれ」「歩行者に譲れ」といった行動を決定し、安全上の制約が満たされるようにする。 安全上の制約が満たされるように。
3. 自然言語処理（NLP）：初期 自然言語処理（NLP） は、記号的な文法規則に大きく依存していた。最新のシステムは 大規模言語モデル(LLM) 統計的なものだが 神経記号AIは、LLMの流暢さと記号論理の事実的信頼性を組み合わせることを目指している。 LLMの流暢さと記号論理の事実の信頼性を組み合わせることで、幻覚を減らすことを目指している。 幻覚を減らすことを目指している。

ハイブリッドニューロシンボリックワークフロー

今日、シンボリックAIを使用する最も強力な方法のひとつは、統計モデルと組み合わせることである。このアプローチは ディープラーニングの知覚能力を記号システムの論理的推論と活用する。

例えば、統計モデルを使って物体をdetect し、その検出された物体にシンボリックなルールを適用する。 を適用する。

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}")

利点と制限事項

シンボリックAIの最大の利点は、その透明性にある。ヘルスケアや金融のように AIの倫理や規制遵守が最重要視されるヘルスケアや金融のような業界では 意思決定の背後にあるルールを監査できることは非常に貴重である。さらに、シンボリック・システムは大量のビッグデータを必要としない。 必要なのは有効なルールセットだけだ。 ルールさえあればよい。

しかし、「知識習得のボトルネック」は大きな限界である。必要な知識をすべて手作業で ルール化するのは時間がかかるし、もろい。システムは失敗から学ぶことも、新しい環境に適応することもできない。 フレーム問題として知られる フレーム問題現代のAI研究が 現代のAI研究が 学習用のニューラルネットワークと推論用の記号論理 を統合したハイブリッド・アプローチが好まれる理由である。