AI Tượng Trưng

Trí tuệ nhân tạo tượng trưng, thường được gọi là Trí tuệ nhân tạo cổ điển (GOFAI), là một nhánh của Trí tuệ nhân tạo (AI) dựa trên các biểu diễn vấn đề ở cấp độ cao, dễ hiểu với con người và các quy tắc rõ ràng để xử lý thông tin. Không giống như các phương pháp tiếp cận hiện đại dựa trên dữ liệu học các mẫu từ các tập dữ liệu khổng lồ, Trí tuệ nhân tạo tượng trưng được xây dựng dựa trên tiền đề rằng trí thông minh có thể đạt được thông qua việc thao tác các ký hiệu bằng các quy tắc logic. Mô hình này đã thống trị nghiên cứu AI từ những năm 1950 đến 1980, được những người tiên phong như John McCarthy ủng hộ và vẫn rất phù hợp cho đến ngày nay trong các ứng dụng đòi hỏi tuân thủ nghiêm ngặt các ràng buộc logic và khả năng diễn giải rõ ràng.

Các thành phần cốt lõi của hệ thống biểu tượng

Các hệ thống AI biểu tượng mô phỏng tư duy của con người bằng cách xử lý kiến thức được xác định rõ ràng. Chúng thường bao gồm hai thành phần kiến trúc chính:

• Cơ sở kiến thức: Một kho lưu trữ tập trung chứa các sự kiện và thông tin về thế giới, thường được cấu trúc như một biểu đồ kiến thức hoặc một bộ IF-THEN các câu lệnh. Cơ sở dữ liệu này thể hiện "cái gì" của trí thông minh của hệ thống.
• Bộ máy suy luận: Đơn vị xử lý áp dụng các quy tắc logic vào cơ sở tri thức để suy ra thông tin mới hoặc đưa ra quyết định. Bằng cách sử dụng suy luận diễn dịch , bộ máy này điều hướng qua các ký hiệu để đi đến kết luận, đảm bảo kết quả có thể chứng minh được về mặt toán học dựa trên dữ liệu đầu vào.

Cấu trúc này cho phép sử dụng AI có thể giải thích (XAI) ở mức độ cao, vì đường dẫn ra quyết định của hệ thống có thể được theo dõi từng bước thông qua các quy tắc mà nó áp dụng.

AI biểu tượng so với AI thống kê

Để hiểu được bối cảnh AI hiện đại, điều quan trọng là phải phân biệt AI biểu tượng với AI thống kê .

• Trí tuệ nhân tạo biểu tượng áp dụng phương pháp tiếp cận từ trên xuống. Các lập trình viên mã hóa rõ ràng các quy tắc của hệ thống. Nó vượt trội về tư duy trừu tượng, toán học và lập kế hoạch nhưng lại gặp khó khăn với sự mơ hồ và dữ liệu phi cấu trúc lộn xộn như pixel thô hoặc âm thanh.
• Trí tuệ nhân tạo thống kê , bao gồm Học máy (ML) và Học sâu (DL) , sử dụng phương pháp tiếp cận từ dưới lên. Các mô hình như Mạng nơ-ron tích chập (CNN) học các mẫu một cách ngầm định từ dữ liệu huấn luyện thay vì được chỉ dẫn cách nhận dạng chúng.

Trong khi mô hình YOLO11 rất hiệu quả trong việc phát hiện đối tượng bằng cách học từ hàng nghìn hình ảnh, thì một hệ thống hoàn toàn mang tính biểu tượng sẽ không thể thực hiện nhiệm vụ này vì không thể tự tay viết các quy tắc cho mọi biến thể trực quan có thể có của một đối tượng.

Các Ứng dụng Thực tế

Bất chấp sự phát triển của mạng nơ-ron, AI tượng trưng vẫn được sử dụng rộng rãi, thường kết hợp với các phương pháp khác.

1. Hệ thống Chuyên gia: Đây là những sản phẩm AI thương mại thành công đầu tiên, được thiết kế để mô phỏng khả năng ra quyết định của một chuyên gia. Các hệ thống như MYCIN đã sử dụng hàng trăm quy tắc để chẩn đoán nhiễm trùng do vi khuẩn. Ngày nay, logic tương tự được sử dụng trong các công cụ quy tắc kinh doanh trong lĩnh vực tài chính và bảo hiểm để tự động xác định điều kiện vay vốn.
2. Robot và Lập kế hoạch: Trong xe tự hành và robot, việc lập kế hoạch cấp cao thường mang tính biểu tượng. Trong khi mạng nơ-ron có thể xử lý nhận thức về đường đi, một người lập kế hoạch biểu tượng lại sử dụng logic để quyết định các hành động như "nếu đèn đỏ, hãy dừng lại" hoặc "nhường đường cho người đi bộ", đảm bảo tuân thủ các quy định an toàn.
3. Xử lý Ngôn ngữ Tự nhiên (NLP): Xử lý Ngôn ngữ Tự nhiên (NLP) thời kỳ đầu chủ yếu dựa vào các quy tắc ngữ pháp biểu tượng. Các hệ thống hiện đại như Mô hình Ngôn ngữ Lớn (LLM) mang tính thống kê, nhưng xu hướng gần đây trong AI Thần kinh-Biểu tượng hướng đến việc kết hợp sự trôi chảy của LLM với độ tin cậy thực tế của logic biểu tượng để giảm ảo giác .

Quy trình làm việc kết hợp thần kinh-biểu tượng

Một trong những cách hiệu quả nhất để sử dụng Trí tuệ nhân tạo tượng trưng hiện nay là kết hợp nó với các mô hình thống kê. Cách tiếp cận này tận dụng khả năng nhận thức của học sâu với khả năng suy luận logic của các hệ thống tượng trưng.

Ví dụ, bạn có thể sử dụng một mô hình thống kê để detect các đối tượng và sau đó áp dụng các quy tắc tượng trưng để tác động vào các phát hiện đó.

from ultralytics import YOLO

# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
    for box in result.boxes:
        if box.cls == 0 and box.conf > 0.8:  # Class 0 is 'person' in COCO dataset
            print(f"Action Triggered: High-confidence person detected at {box.xywh}")

Ưu điểm và Hạn chế

Ưu điểm chính của Trí tuệ nhân tạo tượng trưng là tính minh bạch. Trong các ngành như chăm sóc sức khỏe hoặc tài chính, nơi đạo đức AI và tuân thủ quy định là tối quan trọng, việc có thể kiểm tra các quy tắc đằng sau một quyết định là vô cùng quý giá. Hơn nữa, các hệ thống tượng trưng không yêu cầu khối lượng lớn dữ liệu lớn để hoạt động; chúng chỉ cần một bộ quy tắc hợp lệ.

Tuy nhiên, "nút thắt cổ chai thu thập kiến thức" là một hạn chế đáng kể. Việc mã hóa thủ công tất cả kiến thức cần thiết thành các quy tắc rất tốn thời gian và dễ bị sai sót. Hệ thống không thể học hỏi từ những sai lầm hoặc thích nghi với môi trường mới nếu không có sự can thiệp của con người, được gọi là vấn đề khung . Sự cứng nhắc này là lý do tại sao nghiên cứu AI hiện đại rất ưa chuộng các phương pháp lai, tích hợp mạng nơ-ron để học với logic biểu tượng để suy luận.