Нейросимволический ИИ — это тип искусственного интеллекта, который сочетает в себе сильные стороны двух разных подходов к ИИ: символического ИИ и коннекционистского ИИ (также известного как нейронные сети).

Символический ИИ включает представление знаний в логической, символической форме и использование систем, основанных на правилах, для манипулирования ими и получения новых знаний. Этот подход хорош для обработки абстрактных понятий и логических рассуждений, но он может быть хрупким и негибким, поскольку опирается на заранее определенные правила.

Коннекционистский ИИ, с другой стороны, включает в себя создание сетей простых процессорных единиц (искусственных нейронов), которые могут научиться выполнять задачи, регулируя силу связей между ними (веса). Этот подход хорош для изучения закономерностей в данных, но он может не справиться с задачами, требующими абстрактных рассуждений высокого уровня или сложных символьных манипуляций.

Нейросимволический ИИ стремится объединить сильные стороны обоих подходов, используя нейронные сети для обработки низкоуровневого распознавания образов и символических рассуждений для обработки абстрактных рассуждений высокого уровня. Этот гибридный подход может быть более мощным и гибким, чем любой из подходов по отдельности, и он применялся к множеству задач, включая обработку естественного языка, распознавание изображений и рассуждения о физических системах.

Как это работает (пример)

Наша цель — создать ИИ, который может рассуждать об объектах на картинке (например, сколько здесь зеленых кубиков?).

  • Для этого мы обучаем типичную сеть CNN обнаруживать объекты на изображении и их детали (например, CNN предсказывает маленький резиновый фиолетовый цилиндр в положении [0,75, 1,31, 0,35].
  • Затем мы передаем эту информацию в базу данных, которая будет использоваться символическим ИИ для выполнения логических задач, например. металлических предметов больше, чем резиновых?
  • Сеть LSTM используется для анализа входных вопросов в команды SQL для базы данных.

Например, получив команду: «какой самый левый объект», lstm преобразует это во что-то вроде «ВЫБЕРИТЕ ID, ГДЕ x — минимум» (псевдокод). И ID с наименьшим значением x возвращается как правильный ответ

Вот что происходит на изображении выше:

Упрощенный пример:

В этом примере CNN анализирует сцену из двух объектов в таблицу. LSTM используется для анализа вопроса символического ИИ, который затем возвращает ответ:

Преимущества нейросимволического ИИ:

  1. Гибкость. Нейросимволические системы ИИ могут переключаться между различными стратегиями рассуждений в зависимости от поставленной задачи, что позволяет им быть более гибкими и адаптируемыми, чем системы, использующие один тип рассуждений.
  2. Надежность. Нейросимволические системы ИИ могут справляться с широким кругом задач и могут продолжать функционировать даже в случае отказа некоторых их компонентов, поскольку они могут использовать различные стратегии для компенсации сбоя.
  3. Интерпретируемость. Символическое рассуждение может дать ясное, удобочитаемое объяснение решений, принимаемых нейросимволической системой ИИ, что может быть полезно в таких областях, как здравоохранение или финансы, где важна объяснимость.
  4. Обобщение. Нейросимволические системы ИИ могут научиться обобщать на небольшом количестве примеров и справляться с новыми ситуациями, с которыми они раньше не сталкивались, благодаря своей способности рассуждать абстрактно.
  5. Эффективность. Нейросимволические системы ИИ могут выполнять задачи быстро и эффективно, поскольку они могут использовать символьные рассуждения, чтобы сократить пространство поиска и сосредоточиться на наиболее релевантной информации.