Symbolic AI

Symbolic AI là một nhánh của trí tuệ nhân tạo dựa trên các biểu diễn cấp cao, có thể đọc được bằng con người về các vấn đề, logic và khả năng tìm kiếm để giải quyết các tác vụ phức tạp. Thường được gọi là "Good Old-Fashioned AI" (GOFAI), phương pháp này cố gắng mô phỏng khả năng suy luận của con người bằng cách xử lý các ký hiệu — các chuỗi ký tự đại diện cho các khái niệm trong thế giới thực — theo các quy tắc tường minh. Không giống như Deep Learning (DL) hiện đại, học các mẫu từ lượng lớn dữ liệu, Symbolic AI được lập trình thủ công với kiến thức cụ thể và các ràng buộc logic, giúp nó đạt hiệu quả cao đối với các bài toán đòi hỏi tuân thủ nghiêm ngặt các quy tắc và đưa ra quyết định minh bạch.

Cơ chế của suy luận biểu tượng#

Trọng tâm của Symbolic AI nằm ở việc thao tác các ký hiệu bằng cách sử dụng logic. Các hệ thống này không dựa vào các neural networks có trong Statistical AI; thay vào đó, chúng tận dụng một inference engine để rút ra các sự thật mới từ các cơ sở tri thức hiện có. Ví dụ, một hệ thống tượng trưng có thể lưu trữ các sự thật "Socrates là một đàn ông" và quy tắc "Tất cả đàn ông đều phải chết." Bằng cách áp dụng phép diễn dịch logic, hệ thống có thể độc lập kết luận rằng "Socrates phải chết."

Cấu trúc tường minh này cho phép đạt mức độ cao của Explainable AI (XAI). Do hệ thống tuân theo chuỗi logic "IF-THEN" rõ ràng, các kỹ sư có thể truy nguyên chính xác lý do tại sao một quyết định cụ thể được đưa ra. Điều này hoàn toàn trái ngược với bản chất "hộp đen" của nhiều mô hình generative AI, nơi quá trình suy luận nội bộ thường là mờ đục.

Symbolic AI so với Statistical AI#

Việc phân biệt Symbolic AI với mô hình thống trị hiện nay, Statistical AI, là điều tối quan trọng.

• Symbolic AI mang tính từ trên xuống (top-down) và dựa trên quy tắc. Nó xuất sắc trong suy luận trừu tượng, lập kế hoạch và thao tác các cấu trúc xác định, chẳng hạn như phương trình đại số hoặc knowledge graphs. Nó hoạt động hoàn hảo trong các môi trường tĩnh nơi các quy tắc không thay đổi, nhưng lại gặp khó khăn với dữ liệu có nhiều nhiễu (như hình ảnh phi cấu trúc) hoặc sự mơ hồ.
• Statistical AI (bao gồm Machine Learning) mang tính từ dưới lên (bottom-up) và hướng dữ liệu. Các mô hình như YOLO26 học cách nhận diện các mẫu bằng cách xử lý hàng nghìn hình ảnh. Chúng có khả năng chống nhiễu mạnh mẽ và xuất sắc trong các tác vụ nhận thức nhưng nhìn chung thiếu khả năng thực hiện suy luận logic nếu không có các thành phần bổ sung.

Các ứng dụng trong thực tế#

Trong khi deep learning chiếm ưu thế trong các tác vụ nhận thức, Symbolic AI vẫn đóng vai trò quan trọng trong các ngành công nghiệp đòi hỏi độ chính xác và khả năng kiểm toán.

• Hệ thống chuyên gia trong chăm sóc sức khỏe: Các hình thức AI đầu tiên trong y học là các expert systems mang tính tượng trưng. Các hệ thống này sử dụng cơ sở dữ liệu y tế và tập hợp các quy tắc chẩn đoán để đề xuất phương pháp điều trị. Ngày nay, các lớp logic này thường hoạt động song song với các mô hình thị giác AI in healthcare, đảm bảo rằng chẩn đoán tuân thủ các quy chuẩn y tế đã thiết lập.
• Tuân thủ quy định và tài chính: Trong thế giới AI in finance, các phỏng đoán xác suất thường không được chấp nhận. Phần mềm thuế và các trình kiểm tra tuân thủ tự động sử dụng logic tượng trưng để đảm bảo mọi phép tính tuân thủ nghiêm ngặt các quy định thuế của chính phủ. Xác suất "99%" là không đủ cho một tờ khai thuế; logic phải hoàn toàn chính xác, đây là thế mạnh của lập trình tượng trưng.

Sự trỗi dậy của Neuro-Symbolic AI#

Một xu hướng mới nổi đầy mạnh mẽ là Neuro-Symbolic AI, kết hợp sức mạnh nhận thức của neural networks với sức mạnh suy luận của logic biểu tượng. Trong các hệ thống lai này, một mô hình thị giác máy tính xử lý đầu vào cảm giác (nhìn thế giới), trong khi một lớp biểu tượng xử lý suy luận (hiểu các quy tắc).

Ví dụ, bạn có thể sử dụng Ultralytics YOLO26 để phát hiện đối tượng trong nhà máy, và sau đó sử dụng một tập lệnh tượng trưng đơn giản để thi hành các quy tắc an toàn dựa trên các phát hiện đó.

Ví dụ sau đây minh họa một quy trình làm việc Neuro-Symbolic cơ bản: thành phần neural (Ultralytics YOLO26) nhận diện đối tượng và thành phần symbolic (logic Python) áp dụng một quy tắc.

from ultralytics import YOLO

# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
    for c in r.boxes.cls:
        class_name = model.names[int(c)]
        # Rule: IF a heavy vehicle is detected, THEN issue a specific alert
        if class_name in ["bus", "truck"]:
            print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")

Triển vọng tương lai#

Khi các nhà nghiên cứu nỗ lực hướng tới Artificial General Intelligence (AGI), những hạn chế của các mô hình hoàn toàn dựa trên thống kê đang dần lộ rõ. Các Large Language Models (LLMs) như GPT-4 thường mắc phải "ảo giác" (hallucinations) vì chúng dự đoán từ tiếp theo theo xác suất thay vì suy luận một cách logic.

Việc tích hợp suy luận tượng trưng cho phép các mô hình này "gắn kết" đầu ra của chúng vào thực tế. Chúng ta đang chứng kiến sự tiến hóa này trong các công cụ kết hợp natural language understanding với các truy vấn cơ sở dữ liệu có cấu trúc hoặc bộ giải toán học. Đối với các nhà phát triển xây dựng hệ thống phức tạp, Ultralytics Platform cung cấp cơ sở hạ tầng cần thiết để quản lý tập dữ liệu và huấn luyện các mô hình thị giác đóng vai trò là nền tảng cảm giác cho các ứng dụng tiên tiến, định hướng bởi logic này.