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) tập trung vào việc thể hiện kiến thức của con người thông qua các quy tắc và ký hiệu rõ ràng. Cách tiếp cận này là mô hình chủ đạo trong nghiên cứu AI từ những năm 1950 đến cuối những năm 1980. Không giống như các phương pháp hiện đại dựa trên dữ liệu, AI tượng trưng hoạt động dựa trên nguyên tắc rằng trí thông minh có thể đạt được bằng cách thao tác các ký hiệu đại diện cho các khái niệm trong thế giới thực, được điều chỉnh bởi một tập hợp các quy tắc logic. Ý tưởng cốt lõi, được những người tiên phong như John McCarthy ủng hộ, là xây dựng các hệ thống có thể suy luận về thế giới theo cách tương tự như logic diễn dịch của con người.

AI tượng trưng hoạt động như thế nào

Hệ thống AI tượng trưng thường bao gồm hai thành phần chính: cơ sở kiến thức và công cụ suy luận.

• Cơ sở tri thức: Một cơ sở dữ liệu có cấu trúc chứa các sự kiện, khái niệm và mối quan hệ giữa chúng, tất cả được mã hóa bằng ngôn ngữ ký hiệu. Kiến thức này thường được các chuyên gia con người biên soạn thủ công. Một khái niệm tương đương hiện đại có thể được thấy trong biểu đồ tri thức .
• Công cụ suy luận: Một tập hợp các quy tắc và thuật toán áp dụng suy luận logic vào cơ sở tri thức để rút ra thông tin mới hoặc đưa ra quyết định. Nó sử dụng logic hình thức, chẳng hạn như IF-THEN các câu lệnh, để xử lý các truy vấn và giải quyết vấn đề. Quá trình này rất minh bạch, khiến nó trở thành nền tảng của AI có thể giải thích (XAI).

Các ngôn ngữ lập trình như Lisp và Prolog được phát triển đặc biệt để hỗ trợ phong cách lập trình dựa trên quy tắc này.

Trí tuệ nhân tạo tượng trưng so với Học máy

Trí tuệ nhân tạo tượng trưng về cơ bản khác với Học máy (ML) , nền tảng cho hầu hết các ứng dụng AI hiện đại, bao gồm các mô hình thị giác máy tính (CV) tiên tiến như Ultralytics YOLO .

Sự khác biệt chính nằm ở cách thức tiếp thu kiến thức:

• Trí tuệ nhân tạo biểu tượng là phương pháp tiếp cận từ trên xuống. Một chuyên gia con người lập trình rõ ràng các quy tắc và kiến thức vào hệ thống. Khả năng suy luận của hệ thống bị giới hạn trong kiến thức được xác định trước này.
• Học máy là một phương pháp tiếp cận từ dưới lên. Các mô hình, đặc biệt là những mô hình sử dụng học sâu và mạng nơ-ron (NN) , học các mẫu và mối quan hệ một cách ngầm định bằng cách phân tích một lượng lớn dữ liệu huấn luyện . Ví dụ, một mô hình YOLO học cách phát hiện đối tượng bằng cách được huấn luyện trên hàng nghìn hình ảnh được gắn nhãn, chứ không phải bằng cách được dạy các quy tắc rõ ràng về những gì cấu thành nên một "chiếc xe" hay một "con người".

Mặc dù các mô hình ML rất giỏi trong việc xử lý dữ liệu phức tạp, phi cấu trúc, nhưng quá trình ra quyết định của chúng có thể không rõ ràng. Ngược lại, khả năng suy luận của Symbolic AI lại dễ dàng theo dõi, điều này rất quan trọng đối với các ứng dụng đòi hỏi trách nhiệm giải trình và đạo đức AI .

Ứng dụng và ví dụ thực tế

Mặc dù ít phổ biến hơn ngày nay, nhưng Trí tuệ nhân tạo tượng trưng đã hỗ trợ nhiều ứng dụng quan trọng và các nguyên tắc của nó vẫn còn phù hợp.

1. Hệ thống chuyên gia: Đây là một trong những ứng dụng thành công nhất của Trí tuệ nhân tạo tượng trưng. Một hệ thống chuyên gia được thiết kế để mô phỏng khả năng ra quyết định của một chuyên gia trong một lĩnh vực cụ thể. Ví dụ, MYCIN là một hệ thống chuyên gia nổi tiếng được phát triển vào những năm 1970 để xác định vi khuẩn gây nhiễm trùng nghiêm trọng và đề xuất thuốc kháng sinh. Hệ thống này sử dụng cơ sở kiến thức gồm khoảng 600 quy tắc được lấy từ các chuyên gia y tế.
2. Xử lý Ngôn ngữ Tự nhiên (NLP) Sơ khai: Trước khi các phương pháp thống kê và Mô hình Ngôn ngữ Lớn (LLM) ra đời, các hệ thống NLP dựa trên các phương pháp tiếp cận biểu tượng. Chúng sử dụng ngữ pháp hình thức và quy tắc cú pháp để phân tích cú pháp câu và hiểu cấu trúc ngôn ngữ. Các trình kiểm tra ngữ pháp tự động và hệ thống dịch máy sơ khai được xây dựng dựa trên những nguyên tắc này.

Tương lai: AI lai

Những hạn chế của Trí tuệ nhân tạo tượng trưng—đặc biệt là tính dễ vỡ khi đối mặt với những tình huống mới hoặc mơ hồ và khó khăn trong việc mở rộng cơ sở kiến thức—đã dẫn đến sự trỗi dậy của Học máy (ML). Tuy nhiên, tương lai có thể nằm ở các mô hình AI lai kết hợp điểm mạnh của cả hai phương pháp. Bằng cách tích hợp khả năng suy luận logic của Trí tuệ nhân tạo tượng trưng với sức mạnh nhận dạng mẫu của Học máy, các nhà phát triển có thể tạo ra các hệ thống AI mạnh mẽ, minh bạch và có năng lực hơn. Các hệ thống lai này nhằm mục đích tận dụng kiến thức về cấu trúc của các hệ thống tượng trưng để nâng cao quá trình học của các mô hình nền tảng , một khái niệm được khám phá trong các lĩnh vực như Trí tuệ nhân tạo thần kinh-tượng trưng . Các nền tảng như Ultralytics HUB hợp lý hóa việc triển khai các mô hình ML , một ngày nào đó có thể kết hợp các kỹ thuật lai này.