AI tượng trưng

Trí tuệ nhân tạo tượng trưng, thường được gọi là Trí tuệ nhân tạo cổ điển (GOFAI), đại diện cho một mô hình trong Trí tuệ nhân tạo (AI) tập trung vào việc thao túng các ký hiệu theo các quy tắc và logic rõ ràng. Không giống như các phương pháp tiếp cận dựa trên dữ liệu như Học máy (ML) học các mẫu từ các tập dữ liệu lớn ( Dữ liệu lớn ), Trí tuệ nhân tạo tượng trưng hoạt động dựa trên các cơ sở kiến thức và cơ chế lý luận được xác định trước. Nó nhằm mục đích sao chép các quá trình nhận thức của con người như suy luận logic và giải quyết vấn đề bằng cách biểu diễn thế giới thông qua các ký hiệu cấp cao, dễ đọc đối với con người (như từ ngữ, khái niệm hoặc vị ngữ logic) và thao tác chúng bằng các quy tắc chính thức.

Nguyên tắc cốt lõi

Nền tảng của AI tượng trưng nằm ở giả thuyết hệ thống ký hiệu vật lý, giả thuyết này cho rằng hành vi thông minh có thể đạt được thông qua việc thao túng các cấu trúc ký hiệu. Các thành phần chính bao gồm:

• Biểu diễn tri thức: Mã hóa kiến thức của con người và chuyên môn trong lĩnh vực thành ngôn ngữ chính thức mà máy tính có thể xử lý. Điều này có thể bao gồm các quy tắc logic (câu lệnh if-then), mạng ngữ nghĩa, khung hoặc Biểu đồ tri thức . Một ví dụ nổi tiếng là dự án Cyc , nhằm mục đích mã hóa kiến thức thông thường.
• Công cụ suy luận: Một cơ chế suy luận áp dụng các quy tắc logic vào cơ sở kiến thức để đưa ra kết luận mới, giải quyết vấn đề hoặc đưa ra quyết định. Điều này thường liên quan đến các kỹ thuật từ logic hình thức, chẳng hạn như suy diễn và quy nạp, được triển khai bằng các ngôn ngữ như Prolog .
• Thuật toán tìm kiếm: Phương pháp khám phá không gian các giải pháp khả thi hoặc các con đường lý luận, rất quan trọng cho các nhiệm vụ như lập kế hoạch và giải quyết vấn đề.

Sự khác biệt từ Học máy

Trí tuệ nhân tạo tượng trưng tương phản đáng kể với các phương pháp AI thống kê và ML như Học sâu (DL) , thống trị AI hiện đại, đặc biệt là trong các lĩnh vực như Thị giác máy tính (CV) . Trong khi các mô hình như Ultralytics YOLO vượt trội trong các nhiệm vụ nhận thức như Phát hiện đối tượng và Phân loại hình ảnh bằng cách học các tính năng trực tiếp từ dữ liệu, Trí tuệ nhân tạo tượng trưng dựa vào kiến thức được lập trình rõ ràng. Điều này làm cho các hệ thống Trí tuệ nhân tạo tượng trưng vốn có thể diễn giải và giải thích được nhiều hơn ( AI có thể giải thích được (XAI) ), vì các bước lý luận của chúng có thể được theo dõi. Tuy nhiên, chúng thường gặp khó khăn với sự mơ hồ, không chắc chắn và học hỏi từ dữ liệu thô, không có cấu trúc, trong khi các mô hình ML thường hoạt động tốt hơn.

Ứng dụng và ví dụ

Trí tuệ nhân tạo tượng trưng là mô hình thống trị trong phần lớn lịch sử của AI và đã thành công trong nhiều lĩnh vực khác nhau:

1. Hệ thống chuyên gia: Các hệ thống này bao gồm kiến thức của các chuyên gia con người để cung cấp lời khuyên hoặc giải quyết các vấn đề trong các lĩnh vực cụ thể. Một ví dụ nổi tiếng ban đầu là Mycin , được thiết kế để chẩn đoán nhiễm trùng do vi khuẩn. Các hệ thống dựa trên quy tắc hiện đại vẫn được sử dụng trong các lĩnh vực như AI trong tài chính để tuân thủ quy định hoặc bảo lãnh tự động.
2. Xử lý ngôn ngữ tự nhiên (NLP): Các hệ thống NLP ban đầu chủ yếu dựa vào các quy tắc biểu tượng để phân tích cấu trúc câu (cú pháp) và hiểu ý nghĩa ( phân tích ngữ nghĩa ). Trong khi NLP hiện đại chủ yếu sử dụng các phương pháp thống kê và Mô hình ngôn ngữ lớn (LLM) , các kỹ thuật biểu tượng vẫn có thể có giá trị đối với các nhiệm vụ cụ thể hoặc trong các hệ thống lai.
3. Lập kế hoạch và Lên lịch: Trí tuệ nhân tạo tượng trưng rất phù hợp cho các nhiệm vụ đòi hỏi lập kế hoạch phức tạp, chẳng hạn như tối ưu hóa hậu cần, lập kế hoạch đường đi của robot và hệ thống lập lịch tự động. Lập kế hoạch AI vẫn là một lĩnh vực nghiên cứu tích cực.
4. Xác minh chính thức: Được sử dụng trong kỹ thuật phần mềm và thiết kế phần cứng để chứng minh về mặt toán học tính chính xác của hệ thống so với các thông số kỹ thuật chính thức.

Điểm mạnh và hạn chế

Điểm mạnh:

• Khả năng giải thích: Các bước lý luận rõ ràng và có thể theo dõi được.
• Tích hợp kiến thức: Cho phép kết hợp trực tiếp chuyên môn của con người và các quy tắc miền.
• Chính xác: Có thể xử lý hiệu quả các nhiệm vụ đòi hỏi khả năng suy luận logic chính xác.

Hạn chế:

• Tính giòn: Hệ thống có thể bị hỏng bất ngờ khi gặp phải những tình huống nằm ngoài các quy tắc được xác định trước.
• Nút thắt trong thu thập kiến thức: Việc mã hóa thủ công các cơ sở kiến thức toàn diện rất khó khăn và tốn thời gian.
• Xử lý sự không chắc chắn: Gặp khó khăn với lý luận xác suất và dữ liệu nhiễu hoặc không đầy đủ so với các phương pháp thống kê.
• Khả năng mở rộng: Độ phức tạp của lý luận có thể tăng theo cấp số nhân theo quy mô của cơ sở kiến thức.

Tương lai: Các phương pháp tiếp cận kết hợp

Trong khi AI thuần túy tượng trưng phải đối mặt với những thách thức, thì điểm mạnh của nó trong lý luận và khả năng giải thích là rất có giá trị. Nghiên cứu hiện tại tập trung vào các phương pháp tiếp cận lai, thường được gọi là AI thần kinh-tượng trưng, nhằm mục đích kết hợp khả năng nhận dạng mẫu của mạng nơ-ron với lý luận logic của các hệ thống tượng trưng. Các tổ chức như Viện Allen về AI (AI2) và các cộng đồng nghiên cứu như AAAI khám phá những tích hợp này, có khả năng dẫn đến các hệ thống AI mạnh mẽ, linh hoạt và đáng tin cậy hơn. Việc quản lý tính phức tạp của các hệ thống lai như vậy có thể được hưởng lợi từ các nền tảng như Ultralytics HUB để theo dõi thử nghiệm và triển khai mô hình .