Symbolic AI

Symbolic AI là một nhánh của trí tuệ nhân tạo dựa trên các biểu diễn cấp cao, con người có thể đọc được của 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 bắt chước khả năng suy luận của con người bằng cách xử lý các biểu tượng—các chuỗi ký tự đại diện cho các khái niệm trong thế giới thực—theo các quy tắc rõ ràng. Khác với Deep Learning (DL) hiện đại, vốn học các mẫu từ lượng dữ liệu khổng lồ, Symbolic AI được lập trình thủ công với kiến thức cụ thể và các ràng buộc logic, khiến nó cực kỳ hiệu quả đối với các vấn đề đòi hỏi sự tuân thủ nghiêm ngặt các quy tắc và việc ra quyết định minh bạch.

Link to this sectionCơ chế của suy luận biểu tượng#

Cốt lõi của Symbolic AI nằm ở việc thao tác các biểu tượng bằng cách sử dụng logic. Các hệ thống này không dựa vào neural networks có trong Statistical AI; thay vào đó, chúng sử dụng một inference engine để rút ra các dữ kiện mới từ các cơ sở tri thức hiện có. Ví dụ, một hệ thống biểu tượng có thể lưu trữ dữ kiện "Socrates là một con người" và quy tắc "Tất cả con người đều phải chết." Bằng cách áp dụng suy luận logic, hệ thống có thể độc lập kết luận rằng "Socrates phải chết."

Cấu trúc rõ ràng này cho phép đạt được mức độ cao của Explainable AI (XAI). Vì hệ thống tuân theo chuỗi logic "NẾU-THÌ" rõ ràng, các kỹ sư có thể truy xuất 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 không minh bạch.

Link to this sectionSymbolic AI so với Statistical AI#

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

• Symbolic AI đi theo hướng tiếp cận từ trên xuống (top-down) và dựa trên quy tắc. Nó vượt trội trong suy luận trừu tượng, lập kế hoạch và thao tác các cấu trúc được định nghĩa, chẳng hạn như các 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 nhiễu (như hình ảnh phi cấu trúc) hoặc sự mơ hồ.
• Statistical AI (bao gồm Machine Learning) đi theo hướng tiếp cận từ dưới lên (bottom-up) và dựa trên dữ liệu. Các mô hình như YOLO26 học cách nhận dạng các mẫu bằng cách xử lý hàng ngàn hình ảnh. Chúng có khả năng chống nhiễu tốt và xuất sắc trong các tác vụ nhận thức nhưng thường thiếu khả năng thực hiện suy luận logic nếu không có các thành phần bổ sung.

Link to this sectionCác 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 y tế: Các dạng AI sơ khai trong y học là các expert systems mang tính biểu tượng. 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 mô hình thị giác AI in healthcare, đảm bảo rằng chẩn đoán tuân thủ các quy trình y tế đã được thiết lập.
• Tuân thủ quy định và tài chính: Trong thế giới AI in finance, những dự đoán xác suất thường không được chấp nhận. Phần mềm thuế và các công cụ kiểm tra tuân thủ tự động sử dụng logic biểu tượng để đảm bảo mọi tính toán đều tuân thủ nghiêm ngặt các bộ luật thuế của chính phủ. Một "xác suất 99%" là không đủ cho một tờ khai thuế; logic phải chính xác tuyệt đối, đó là thế mạnh của lập trình biểu tượng.

Link to this sectionSự 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 các đối tượng trong nhà máy, sau đó sử dụng một script biểu tượng đơn giản để thực thi các quy tắc an toàn dựa trên những phát hiện đó.

Ví dụ sau đây minh họa một quy trình làm việc Neuro-Symbolic cơ bản: thành phần neural (YOLO26) nhận thức 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.")

Link to this sectionTriển vọng tương lai#

Khi các nhà nghiên cứu nỗ lực hướng tới Artificial General Intelligence (AGI), những hạn chế của các mô hình thuần thống kê đang trở nên rõ ràng. Các mô hình ngôn ngữ lớn (LLM) như GPT-4 thường bị "ảo giác" vì chúng dự đoán từ tiếp theo theo xác suất thay vì suy luận một cách logic.

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