Символический искусственный интеллект

Символьный ИИ, часто называемый старым добрым ИИ (GOFAI), - это направление искусственного интеллекта (ИИ), которое фокусируется на представлении человеческих знаний с помощью явных правил и символов. Этот подход был доминирующей парадигмой в исследованиях ИИ с 1950-х до конца 1980-х годов. В отличие от современных методов, основанных на данных, символический ИИ опирается на принцип, согласно которому интеллект может быть достигнут путем манипулирования символами, представляющими концепции реального мира и управляемыми набором логических правил. Основная идея, которую отстаивали такие пионеры, как Джон Маккарти, заключалась в создании систем, способных рассуждать о мире подобно человеческой дедуктивной логике.

Как работает символический искусственный интеллект

Системы символьного ИИ обычно состоят из двух основных компонентов: базы знаний и механизма вывода.

• База знаний: Структурированная база данных, содержащая факты, концепции и отношения между ними, закодированные на символическом языке. Эти знания часто собираются вручную людьми-экспертами. Современный эквивалент этой концепции можно увидеть в графах знаний.
• Механизм вывода: Набор правил и алгоритмов, применяющих логический вывод к базе знаний для получения новой информации или принятия решений. В нем используется формальная логика, такая как IF-THEN заявления, для обработки запросов и решения проблем. Этот процесс очень прозрачен, что делает его краеугольным камнем Объяснимый искусственный интеллект (XAI).

Такие языки программирования, как Lisp и Prolog, были разработаны специально для поддержки этого стиля программирования, основанного на правилах.

Символический ИИ против машинного обучения

Символический ИИ принципиально отличается от машинного обучения (ML), которое является основой большинства современных приложений ИИ, включая продвинутые модели компьютерного зрения (CV), такие как Ultralytics YOLO.

Ключевое различие заключается в том, как приобретаются знания:

• Символический ИИ - это подход "сверху вниз". Человек-эксперт явно программирует правила и знания в системе. Рассуждения системы ограничиваются этими заранее заданными знаниями.
• Машинное обучение - это подход "снизу вверх". Модели, особенно использующие глубокое обучение и нейронные сети (NN), изучают паттерны и взаимосвязи неявно, анализируя огромные объемы обучающих данных. Например, модель YOLO учится распознавать объекты, проходя обучение на тысячах помеченных изображений, а не на явных правилах, определяющих, что такое "автомобиль" или "человек".

Хотя модели ML отлично справляются со сложными неструктурированными данными, процесс принятия решений в них может быть непрозрачным. В отличие от них, рассуждения символического ИИ легко прослеживаются, что очень важно для приложений, где подотчетность и этика ИИ имеют первостепенное значение.

Применение в реальном мире и примеры

Несмотря на то, что сегодня символический ИИ менее распространен, он нашел несколько важных применений, а его принципы по-прежнему актуальны.

1. Экспертные системы: Это одни из самых успешных приложений символического ИИ. Экспертная система предназначена для имитации способности человека принимать решения в определенной области. Например, MYCIN - знаменитая экспертная система, разработанная в 1970-х годах для выявления бактерий, вызывающих тяжелые инфекции, и рекомендации антибиотиков. Она использовала базу знаний, состоящую примерно из 600 правил, полученных от медицинских экспертов.
2. Ранняя обработка естественного языка (NLP): До появления статистических методов и больших языковых моделей (LLM) системы NLP опирались на символические подходы. Они использовали формальные грамматики и синтаксические правила для разбора предложений и понимания структуры языка. На этих принципах были построены первые автоматические системы проверки грамматики и машинного перевода.

Будущее: Гибридный ИИ

Ограничения символического ИИ - в частности, его хрупкость при столкновении с новыми или неоднозначными ситуациями и сложность масштабирования базы знаний - привели к появлению ОД. Однако будущее, скорее всего, за гибридными моделями ИИ, которые сочетают в себе сильные стороны обоих подходов. Объединив логические рассуждения символического ИИ с возможностями ML по распознаванию образов, разработчики смогут создать более надежные, прозрачные и способные системы ИИ. Эти гибридные системы нацелены на использование структурных знаний символьных систем для улучшения процесса обучения базовых моделей- концепция, изученная в таких областях, как нейросимволический ИИ. Платформы, подобные Ultralytics HUB, упрощают развертывание ML-моделей, в которые однажды могут быть включены эти гибридные методы.