AI Tượng Trưng

AI biểu tượng, thường được gọi là AI kiểu cũ (GOFAI), là một nhánh của Trí tuệ nhân tạo (AI) tập trung vào việc biểu diễn kiến thức của con người thông qua các quy tắc và ký hiệu rõ ràng. Cách tiếp cận này là mô hình thống trị trong nghiên cứu AI từ những năm 1950 đến cuối những năm 1980. Không giống như các phương pháp dựa trên dữ liệu hiện đại, AI biểu tượng hoạt động dựa trên nguyên tắc rằng trí thông minh có thể đạt được bằng cách thao tác các ký hiệu đại diện cho các khái niệm trong thế giới thực, được điều chỉnh bởi một tập hợp các quy tắc logic. Ý tưởng cốt lõi, được ủng hộ bởi những người tiên phong như John McCarthy, là xây dựng các hệ thống có thể suy luận về thế giới theo cách tương tự như logic suy diễn của con người.

Cách thức hoạt động của AI Tượng trưng

Các hệ thống AI biểu tượng thường bao gồm hai thành phần chính: một cơ sở tri thức và một công cụ suy luận.

• Cơ sở tri thức (Knowledge Base): Một cơ sở dữ liệu có cấu trúc chứa các sự kiện, khái niệm và các mối quan hệ giữa chúng, tất cả được mã hóa bằng một ngôn ngữ tượng trưng. Kiến thức này thường được tuyển chọn thủ công bởi các chuyên gia. Một khái niệm tương đương hiện đại của khái niệm này có thể được nhìn thấy trong biểu đồ tri thức (knowledge graphs).
• Inference Engine: Một tập hợp các quy tắc và thuật toán áp dụng suy luận logic vào cơ sở tri thức để suy ra thông tin mới hoặc đưa ra quyết định. Nó sử dụng logic hình thức, chẳng hạn như IF-THEN để xử lý các truy vấn và giải quyết vấn đề. Quá trình này có tính minh bạch cao, biến nó thành nền tảng của AI có khả năng giải thích (XAI).

Các ngôn ngữ lập trình như Lisp và Prolog được phát triển đặc biệt để hỗ trợ kiểu lập trình dựa trên quy tắc này.

AI biểu tượng so với Học máy

AI biểu tượng về cơ bản khác với Học máy (ML), vốn là nền tảng cho hầu hết các ứng dụng AI hiện đại, bao gồm cả các mô hình thị giác máy tính (CV) tiên tiến như Ultralytics YOLO.

Sự khác biệt chính nằm ở cách thức thu nhận kiến thức:

• AI biểu tượng là một phương pháp tiếp cận từ trên xuống. Một chuyên gia là con người lập trình rõ ràng các quy tắc và kiến thức vào hệ thống. Khả năng suy luận của hệ thống bị giới hạn trong kiến thức được xác định trước này.
• Học máy là một phương pháp tiếp cận từ dưới lên. Các mô hình, đặc biệt là những mô hình sử dụng học sâu và mạng nơ-ron (NN), học các mẫu và mối quan hệ một cách ngầm định bằng cách phân tích một lượng lớn dữ liệu huấn luyện. Ví dụ: mô hình YOLO học cách thực hiện phát hiện đối tượng bằng cách được huấn luyện trên hàng nghìn hình ảnh được gắn nhãn, chứ không phải bằng cách được cho biết các quy tắc rõ ràng về những gì tạo nên một "chiếc xe hơi" hoặc một "người".

Mặc dù các mô hình ML vượt trội trong việc xử lý dữ liệu phức tạp, phi cấu trúc, nhưng quá trình ra quyết định của chúng có thể không rõ ràng. Ngược lại, lý luận của Symbolic AI có thể dễ dàng theo dõi, điều này rất quan trọng đối với các ứng dụng mà trách nhiệm giải trình và đạo đức AI là tối quan trọng.

Các ứng dụng và ví dụ thực tế

Mặc dù ngày nay ít phổ biến hơn, Symbolic AI đã cung cấp sức mạnh cho một số ứng dụng quan trọng và các nguyên tắc của nó vẫn còn phù hợp.

1. Hệ chuyên gia (Expert Systems): Đây là một trong những ứng dụng thành công nhất của AI biểu tượng (Symbolic AI). Một hệ chuyên gia được thiết kế để mô phỏng khả năng ra quyết định của một chuyên gia là con người trong một lĩnh vực cụ thể. Ví dụ: MYCIN là một hệ chuyên gia nổi tiếng được phát triển vào những năm 1970 để xác định vi khuẩn gây nhiễm trùng nghiêm trọng và đề xuất thuốc kháng sinh. Nó sử dụng một cơ sở kiến thức gồm khoảng 600 quy tắc lấy từ các chuyên gia y tế.
2. Early Natural Language Processing (NLP) (Xử lý ngôn ngữ tự nhiên (NLP) ban đầu): Trước sự trỗi dậy của các phương pháp thống kê và Mô hình ngôn ngữ lớn (LLM), các hệ thống NLP dựa trên các phương pháp tượng trưng. Chúng sử dụng ngữ pháp hình thức và các quy tắc cú pháp để phân tích câu và hiểu cấu trúc ngôn ngữ. Các trình kiểm tra ngữ pháp tự động ban đầu và hệ thống dịch máy được xây dựng dựa trên các nguyên tắc này.

Tương lai: AI kết hợp

Những hạn chế của AI Biểu tượng (Symbolic AI) —đặc biệt là sự thiếu linh hoạt khi đối mặt với các tình huống mới hoặc mơ hồ và khó khăn trong việc mở rộng cơ sở kiến thức của nó—đã dẫn đến sự trỗi dậy của ML. Tuy nhiên, tương lai có thể nằm ở các mô hình AI kết hợp, kết hợp những điểm mạnh của cả hai phương pháp. Bằng cách tích hợp khả năng suy luận logic của AI Biểu tượng với sức mạnh nhận dạng mẫu của ML, các nhà phát triển có thể tạo ra các hệ thống AI mạnh mẽ, minh bạch và có khả năng hơn. Các hệ thống kết hợp này nhằm mục đích tận dụng kiến thức cấu trúc của các hệ thống biểu tượng để tăng cường quá trình học tập của mô hình nền tảng, một khái niệm được khám phá trong các lĩnh vực như AI Bán tượng trưng. Các nền tảng như Ultralytics HUB hợp lý hóa việc triển khai các mô hình ML, một ngày nào đó có thể kết hợp các kỹ thuật kết hợp này.