Symbolic AI

AI biểu tượng là phương pháp tiếp cận trí tuệ nhân tạo (AI) biểu diễn kiến thức dưới dạng ký hiệu mà con người có thể đọc, chẳng hạn bird, penguin hoặc “Socrates là người”, rồi suy luận trên các ký hiệu đó bằng quy tắc, logic và tìm kiếm tường minh. Phương pháp này chi phối nghiên cứu AI từ hội thảo Dartmouth năm 1956 đến thập niên 1980; nhà triết học John Haugeland sau đó đặt tên cho nó là “AI kiểu cũ” (GOFAI) vào năm 1985. Có thể truy nguyên mọi kết luận của một hệ thống biểu tượng về các quy tắc do con người viết và đọc được, nhờ đó hệ thống có thể kiểm tra; tuy nhiên, mọi mẩu kiến thức đều phải được nhập thủ công, khiến hệ thống khó mở rộng quy mô.

AI biểu tượng hoạt động như thế nào#

Một hệ thống biểu tượng có hai thành phần. Cơ sở tri thức lưu trữ sự kiện (“Socrates là người”) và quy tắc (“mọi người đều phải chết”) bằng ngôn ngữ hình thức như logic vị từ bậc nhất, quy tắc sản xuất if-then hoặc đồ thị tri thức. Bộ máy suy luận áp dụng các quy tắc để suy ra những sự kiện chưa được lưu trữ (“Socrates phải chết”). Suy diễn xuôi bắt đầu từ các sự kiện đã biết và kích hoạt mọi quy tắc có điều kiện thỏa mãn cho đến khi không còn thông tin mới. Suy diễn ngược bắt đầu từ mục tiêu rồi lần ngược về các sự kiện có thể chứng minh mục tiêu đó — đây là chiến lược được tích hợp trong ngôn ngữ lập trình logic Prolog.

Nền tảng lý thuyết của phương pháp này là giả thuyết hệ thống ký hiệu vật lý do Allen Newell và Herbert Simon đề xuất năm 1976, cho rằng thao tác trên ký hiệu là điều kiện vừa cần vừa đủ để đạt trí tuệ tổng quát. Một bộ máy suy diễn xuôi có thể được triển khai chỉ bằng vài dòng Python thuần:

# Knowledge base: IF every premise is a known fact THEN add the conclusion
rules = [
    ({"has_feathers", "lays_eggs"}, "bird"),
    ({"bird", "cannot_fly", "swims"}, "penguin"),
]
facts = {"has_feathers", "lays_eggs", "cannot_fly", "swims"}

# Forward chaining: keep firing rules until no new fact appears
changed = True
while changed:
    changed = False
    for premises, conclusion in rules:
        if premises <= facts and conclusion not in facts:
            facts.add(conclusion)
            changed = True
            print(f"{conclusion} <- {sorted(premises)}")

Bộ máy in ra bird <- ['has_feathers', 'lays_eggs'], rồi penguin <- ['bird', 'cannot_fly', 'swims']: quy tắc thứ hai chỉ được kích hoạt vì quy tắc thứ nhất đã thêm bird, và mỗi dòng được in là lời giải thích đầy đủ cho kết luận tương ứng — kiểu dấu vết suy luận mà các phương pháp AI có thể giải thích (XAI) cố gắng tái tạo cho mạng nơ-ron.

Hệ chuyên gia#

AI biểu tượng được ứng dụng trong công nghiệp vào thập niên 1970 và 1980 dưới dạng hệ chuyên gia. MYCIN của Stanford xác định vi khuẩn gây nhiễm trùng nghiêm trọng và đề xuất kháng sinh dựa trên khoảng 600 quy tắc thu thập từ bác sĩ; XCON của Digital Equipment Corporation cấu hình đơn đặt hàng máy tính VAX của khách hàng. Hệ chuyên gia bổ sung hai thành phần cho bộ máy cơ bản: kỹ sư tri thức phỏng vấn chuyên gia lĩnh vực rồi mã hóa kiến thức của họ thành quy tắc, và chức năng giải thích phát lại các quy tắc dẫn đến từng câu trả lời.

Khâu phỏng vấn trở thành nút thắt. Chuyên gia khó diễn đạt trực giác thành quy tắc, cơ sở quy tắc lớn gặp lỗi với những trường hợp không ai lường trước, còn hệ thống không thể học từ dữ liệu. Dự án Cyc của Doug Lenat, khởi động năm 1984 nhằm mã hóa tri thức phổ thông bằng tay, đã dành nhiều thập kỷ để giải quyết vấn đề đó. Khi ngân sách dành cho hệ chuyên gia sụp đổ vào cuối thập niên 1980, lĩnh vực này bước vào “mùa đông AI” thứ hai.

AI biểu tượng và AI thống kê#

AI thống kê học các mẫu từ ví dụ, là phương pháp nền tảng của machine learning (ML) và deep learning (DL) hiện đại. Hai mô hình này thất bại ở những trường hợp đối lập nhau:

• AI biểu tượng: Chính xác, minh bạch và có thể dùng mà không cần dữ liệu huấn luyện, phù hợp với số học, lập kế hoạch, quy định và chứng minh hình thức. Phương pháp này không xử lý được nhận thức thô, vì không ai có thể viết quy tắc nhận diện mèo từ giá trị pixel; đồng thời, nó thất bại với các đầu vào nằm ngoài dự kiến của quy tắc.
• AI thống kê: Học trực tiếp nhận thức và ngôn ngữ từ dữ liệu, đồng thời chịu được nhiễu; nhưng phương pháp này cần tập dữ liệu lớn, khó kiểm tra quyết định, và model ngôn ngữ có thể tạo ra câu trả lời trôi chảy nhưng sai, hiện tượng gọi là ảo giác.

AI biểu tượng hiện được sử dụng ở đâu#

• Công cụ quy tắc và tuân thủ: Phần mềm thuế và công cụ quy tắc nghiệp vụ mã hóa quy định thành các quy tắc tường minh, nhờ đó có thể truy nguyên mỗi kết quả về điều khoản đã tạo ra kết quả đó.
• Lập kế hoạch và lập lịch: Bộ lập kế hoạch tự động tìm kiếm trên các mô tả ký hiệu về hành động, điều kiện tiên quyết và kết quả để lập lịch logistics, hoạt động nhà máy và vận hành tàu vũ trụ.
• Kiểm chứng hình thức: Bộ giải SAT và SMT như Z3 của Microsoft chứng minh các thuộc tính của chip và phần mềm; trợ lý chứng minh như Lean kiểm tra từng bước các chứng minh toán học.
• Đồ thị tri thức: Công cụ tìm kiếm và Wikidata lưu trữ hàng tỷ sự kiện dưới dạng thực thể và quan hệ mà truy vấn có thể lần theo.

AI kết hợp thần kinh và biểu tượng#

AI kết hợp thần kinh và biểu tượng kết hợp hai mô hình: mạng nơ-ron xử lý nhận thức và nhận dạng mẫu, còn các thành phần biểu tượng xử lý quy tắc, ràng buộc và suy luận chính xác. Model ngôn ngữ gọi máy tính, cơ sở dữ liệu SQL hoặc trình thông dịch code thông qua gọi hàm cũng áp dụng cách phân chia nhiệm vụ này. Trong pipeline thị giác, một detector như Ultralytics YOLO26 chuyển pixel thành ký hiệu — tên lớp của các vật thể được tìm thấy — để các quy tắc thông thường suy luận trên đó:

from ultralytics import YOLO

# Nhận thức bằng mạng nơ-ron: phát hiện vật thể và lưu tên lớp của chúng dưới dạng sự kiện biểu tượng
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
facts = {result.names[int(c)] for c in result.boxes.cls}

# Suy luận biểu tượng: NẾU có xe buýt VÀ có người THÌ phát cảnh báo
if {"bus", "person"} <= facts:
    print("Rule fired: pedestrians next to a bus")

Thay đổi quy tắc sẽ lập tức làm thay đổi hành vi của hệ thống mà không cần huấn luyện lại. AlphaGeometry của Google DeepMind áp dụng cách phân chia tương tự cho toán học: model ngôn ngữ nơ-ron đề xuất các cấu trúc phụ trợ, bộ máy suy diễn biểu tượng chứng minh kết quả dựa trên các cấu trúc đó, và hai thành phần cùng nhau đã giải được 25 trong số 30 bài toán hình học của Olympic Toán học Quốc tế trong một bài báo trên Nature năm 2024.