Символьный ИИ

Символьный AI, часто называемый Good Old-Fashioned AI (GOFAI), — это раздел искусственного интеллекта (AI), который фокусируется на представлении человеческих знаний посредством явных правил и символов. Этот подход был доминирующей парадигмой в исследованиях AI с 1950-х по конец 1980-х годов. В отличие от современных методов, основанных на данных, символьный AI работает по принципу, что интеллект может быть достигнут путем манипулирования символами, которые представляют концепции реального мира, управляемые набором логических правил. Основная идея, продвигаемая такими пионерами, как Джон Маккарти, заключалась в создании систем, которые могли бы рассуждать о мире способом, аналогичным человеческой дедуктивной логике.

Как работает символический ИИ

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

• База знаний: Структурированная база данных, содержащая факты, понятия и отношения между ними, закодированные на символическом языке. Эти знания часто вручную курируются экспертами-людьми. Современный эквивалент этой концепции можно увидеть в графах знаний.
• Механизм логического вывода: Набор правил и алгоритмов, которые применяют логический вывод к базе знаний для получения новой информации или принятия решений. Он использует формальную логику, такую как IF-THEN заявления, обрабатывать запросы и решать проблемы. Этот процесс отличается высокой прозрачностью, что делает его краеугольным камнем Объяснимый AI (XAI).

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

Символьный AI против машинного обучения

Символьный AI фундаментально отличается от машинного обучения (ML), которое является основой для большинства современных AI-приложений, включая продвинутые модели компьютерного зрения (CV), такие как Ultralytics YOLO.

Ключевое различие заключается в способе получения знаний:

• Символьный ИИ — это нисходящий подход. Человек-эксперт явно программирует правила и знания в систему. Рассуждения системы ограничены этими заранее определенными знаниями.
• Машинное обучение — это восходящий подход. Модели, особенно те, которые используют глубокое обучение и нейронные сети (NN), неявно изучают закономерности и взаимосвязи, анализируя огромные объемы данных для обучения. Например, модель YOLO учится выполнять обнаружение объектов, обучаясь на тысячах размеченных изображений, а не получая явные правила того, что представляет собой «автомобиль» или «человек».

Хотя модели машинного обучения превосходно справляются со сложными, неструктурированными данными, процесс принятия решений может быть непрозрачным. В отличие от этого, рассуждения Symbolic AI легко отслеживаются, что имеет решающее значение для приложений, где подотчетность и этика ИИ имеют первостепенное значение.

Примеры и применение в реальном мире

Хотя сегодня символьный ИИ встречается реже, он обеспечил работу нескольких важных приложений, и его принципы остаются актуальными.

1. Экспертные системы: Это были одни из самых успешных применений символического ИИ. Экспертная система предназначена для эмуляции способности принятия решений человеком-экспертом в определенной области. Например, MYCIN была известной экспертной системой, разработанной в 1970-х годах для идентификации 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 подъема статистических методов и больших языковых моделей (LLM), системы NLP полагались на символические подходы. Они использовали формальные грамматики и синтаксические правила для разбора предложений и понимания структуры языка. Ранние автоматизированные средства проверки грамматики и системы машинного перевода были построены на этих принципах.

Будущее: Гибридный ИИ

Ограничения символьного ИИ, особенно его хрупкость при столкновении с новыми или неоднозначными ситуациями и трудность масштабирования его базы знаний, привели к подъему машинного обучения. Однако будущее, вероятно, кроется в гибридных моделях ИИ, которые объединяют сильные стороны обоих подходов. Интегрируя логические рассуждения символьного ИИ с мощностью распознавания образов машинного обучения, разработчики могут создавать более надежные, прозрачные и способные системы ИИ. Эти гибридные системы направлены на использование структурных знаний символьных систем для улучшения процесса обучения базовых моделей, концепция, исследуемая в таких областях, как нейро-символьный ИИ. Платформы, такие как Ultralytics HUB, упрощают развертывание моделей машинного обучения, которые однажды смогут включать эти гибридные методы.