Symbolic AI

AI ký hiệu là một nhánh của trí tuệ nhân tạo, dựa vào các biểu diễn cấp cao, dễ đọc đối với con người về bài toán, logic và khả năng tìm kiếm để giải quyết các tác vụ phức tạp. Thường được gọi là "AI kiểu cũ tốt đẹp" (GOFAI), phương pháp này cố gắng mô phỏng khả năng suy luận của con người bằng cách xử lý các ký hiệu—những chuỗi ký tự đại diện cho các khái niệm trong thế giới thực—theo các quy tắc rõ ràng. Không giống Học sâu (DL) hiện đại, vốn học các mẫu từ lượng dữ liệu khổng lồ, AI ký hiệu được lập trình thủ công với kiến thức cụ thể và các ràng buộc logic, nhờ đó đạt hiệu quả cao đối với những bài toán yêu cầu tuân thủ nghiêm ngặt các quy tắc và đưa ra quyết định minh bạch.

Cơ chế suy luận ký hiệu#

Cốt lõi của AI ký hiệu là việc thao tác các ký hiệu bằng logic. Các hệ thống này không dựa vào mạng nơ-ron có trong AI thống kê; thay vào đó, chúng sử dụng một bộ máy suy luận để suy ra các dữ kiện mới từ các cơ sở tri thức hiện có. Ví dụ, một hệ thống ký hiệu có thể lưu các dữ kiện "Socrates là một người đàn ông" và quy tắc "Mọi người đàn ông đều là người phàm". Bằng cách áp dụng phép diễn dịch logic, hệ thống có thể tự kết luận rằng "Socrates là người phàm".

Cấu trúc tường minh này cho phép đạt mức độ cao về AI có khả năng giải thích (XAI). Vì hệ thống tuân theo một chuỗi logic "NẾU-THÌ" rõ ràng, các kỹ sư có thể truy vết chính xác lý do một quyết định cụ thể được đưa ra. Điều này tương phản rõ rệt với bản chất "hộp đen" của nhiều model AI tạo sinh, trong đó quy trình suy luận bên trong thường không minh bạch.

AI ký hiệu và AI thống kê#

Việc phân biệt AI ký hiệu với mô hình chi phối hiện nay, AI thống kê, là rất quan trọng.

• AI ký hiệu có cách tiếp cận từ trên xuống và dựa trên quy tắc. Nó nổi trội trong suy luận trừu tượng, lập kế hoạch và thao tác với các cấu trúc được định nghĩa, chẳng hạn như phương trình đại số hoặc đồ thị tri thức. Nó hoạt động hoàn hảo trong các môi trường tĩnh, nơi các quy tắc không thay đổi, nhưng gặp khó khăn với dữ liệu nhiễu (chẳng hạn như hình ảnh không có cấu trúc) hoặc sự mơ hồ.
• AI thống kê (bao gồm Học máy) có cách tiếp cận từ dưới lên và dựa trên dữ liệu. Các model như YOLO26 học cách nhận diện các mẫu bằng cách xử lý hàng nghìn hình ảnh. Chúng có khả năng chống nhiễu và rất hiệu quả trong các tác vụ nhận biết, nhưng nhìn chung thiếu khả năng suy luận logic nếu không có các thành phần bổ sung.

Các ứng dụng trong thực tế#

Mặc dù học sâu chi phối các tác vụ nhận biết, AI ký hiệu vẫn đóng vai trò thiết yếu trong những ngành yêu cầu độ chính xác và khả năng kiểm toán.

• Hệ chuyên gia trong chăm sóc sức khỏe: Những hình thức AI đầu tiên trong y học là các hệ chuyên gia ký hiệu. Các hệ thống này sử dụng cơ sở dữ liệu kiến thức y khoa và một tập hợp các quy tắc chẩn đoán để đề xuất phương pháp điều trị. Ngày nay, các lớp logic này thường hoạt động cùng với các model thị giác AI trong chăm sóc sức khỏe, bảo đảm rằng chẩn đoán tuân thủ các quy trình y khoa đã được thiết lập.
• Tuân thủ quy định và tài chính: Trong lĩnh vực AI trong tài chính, những phỏng đoán xác suất thường không được chấp nhận. Phần mềm thuế và các trình kiểm tra tuân thủ tự động sử dụng logic ký hiệu để bảo đảm mọi phép tính tuân thủ nghiêm ngặt các bộ luật thuế của chính phủ. "Xác suất 99%" là chưa đủ đối với một tờ khai thuế; logic phải chính xác, đây là thế mạnh của lập trình ký hiệu.

Sự phát triển của AI thần kinh-ký hiệu#

Một xu hướng mới nổi đầy tiềm năng là AI thần kinh-ký hiệu, kết hợp năng lực nhận biết của mạng nơ-ron với năng lực suy luận của logic ký hiệu. Trong các hệ thống lai này, một model thị giác máy tính xử lý đầu vào cảm giác (nhìn nhận thế giới), trong khi một lớp ký hiệu đảm nhiệm việc suy luận (hiểu các quy tắc).

Ví dụ, bạn có thể sử dụng Ultralytics YOLO26 để phát hiện các đối tượng trong nhà máy, sau đó dùng một script ký hiệu đơn giản để thực thi các quy tắc an toàn dựa trên những đối tượng được phát hiện đó.

Ví dụ sau đây minh họa một quy trình AI thần kinh-ký hiệu cơ bản: thành phần thần kinh (Ultralytics YOLO26) nhận biết đối tượng, còn thành phần ký hiệu (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 Trí tuệ nhân tạo tổng quát (AGI), những hạn chế của các model thuần túy mang tính thống kê ngày càng trở nên rõ ràng. Các Mô hình Ngôn ngữ Lớn (LLMs) như GPT-4 thường gặp phải hiện tượng "ảo giác" vì chúng dự đoán từ tiếp theo theo xác suất thay vì suy luận logic.

Việc tích hợp suy luận ký hiệu cho phép các model này "neo" đầu ra của chúng vào sự thật. Chúng ta đang chứng kiến sự phát triển này trong các công cụ kết hợp khả năng hiểu ngôn ngữ tự nhiên với các truy vấn cơ sở dữ liệu có cấu trúc hoặc các 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 dataset và train các model thị giác, vốn đóng vai trò nền tảng cảm giác cho những ứng dụng nâng cao dựa trên logic này.