آیا هوش مصنوعی نمادین میتواند کلید باز کردن درهای هوش شبیه به انسان باشد؟ ترکیب شبکههای عصبی جدید با سیستمهای قدیمیتر هوش مصنوعی ممکن است راهی برای ساختن یک هوش مصنوعی باشد که بتواند به سطح یا فراتر از هوش انسان برسد.
در تلاش برای پاسخ به این پرسش بنیادین، انجمن پیشرفت در هوش مصنوعی (AAAI) در واشنگتن دیسی، از اعضای خود خواسته است تا ارزیابی کنند آیا شبکههای عصبی فعلی – ستارهی هوش مصنوعی امروزی – بهتنهایی میتوانند به این هدف دست یابند. پاسخ حاصل نشان داد که بیشتر متخصصان معتقدند برای رسیدن به چنین سطحی، نیاز مبرمی به یک نوع دیگر از هوش مصنوعی، یعنی هوش مصنوعی نمادین است.
هوش مصنوعی نمادین (Symbolic AI)، که گاهی اوقات با عنوان ‘هوش مصنوعی قدیمی و خوب’ شناخته میشود، بر اساس قواعد رسمی و رمزگذاری روابط منطقی بین مفاهیم استوار است. ریاضیات یک مثال بارز از این نوع سیستمهاست، همانند عبارات شرطی (‘اگر… آنگاه…’) و زبانهای برنامهنویسی کامپیوتر مانند پایتون، نمودارهای جریان یا نمودارهای ون که نحوهی ارتباط مفهومی گربهها، پستانداران و حیوانات را نشان میدهند. در دهههای گذشته، سیستمهای نمادین پیشرو بودند اما در اوایل دهه ۲۰۰۰ به طور چشمگیری توسط شبکههای عصبی انعطافپذیرتر از پیش رویه شدند.
این شبکههای عصبی از طریق یادگیری ماشین، الگوها را از حجم عظیمی از دادهها استخراج میکنند و زیربنای مدلهای زبانی بزرگ (LLMs) و چتباتهایی مانند ChatGPT هستند. حال، جامعهی علوم کامپیوتر با جدیت به دنبال ادغام بهتر این دو رویکرد نو و قدیم است. «هوش مصنوعی عصبی-نمادین (Neurosymbolic AI) » به داغترین واژه در این حوزه تبدیل شده است. براندون کوللو، دانشمند رایانهای دانشگاه مریلند، افزایش چشمگیر علاقهمندی به هوش مصنوعی عصبی-نمادین را از سال 2021 رصد کرده و پیشبینی میکند این روند همچنان ادامه خواهد داشت.
بسیاری از محققان معتقدند که این رویکرد جدید، فرار از سلطهی نامطلوب شبکههای عصبی در تحقیقات هوش مصنوعی است و انتظار دارند این تغییر منجر به ایجاد هوش مصنوعیهای باهوشتر و قابلاعتمادتر شود. یک ادغام بهتر این دو استراتژی میتواند به هوش عمومی مصنوعی (AGI) – یعنی هوشی که قادر به استدلال و تعمیم دانش خود از یک موقعیت به موقعیت دیگر مانند انسانها است – منجر شود. همچنین ممکن است برای کاربردهای پرخطر، مانند تصمیمگیری، مفید باشد.
از آنجا که هوش مصنوعی نمادین شفاف و قابل فهم برای انسان است، از مشکلاتی که میتواند اعتماد به شبکههای عصبی را دشوار سازد، رنج نمیبرد. نمونههای خوبی از هوش مصنوعی عصبی-نمادین وجود دارد، از جمله AlphaGeometry شرکت گوگل DeepMind که گزارش شده سال گذشته توانسته است بهطور **قابلاعتماد مسائل المپیاد ریاضی** – سوالاتی برای دانشآموزان با استعداد متوسطه دبیرستانی – را حل کند. اما یافتن بهترین روش برای ترکیب شبکههای عصبی و هوش مصنوعی نمادین در یک سیستم همهمنظوره، یک چالش بزرگ است.
«شما در واقع در حال معماری یک هیولای دو سر هستید»، ویلیام رگلی، دانشمند علوم کامپیوتر دانشگاه مریلند میگوید.
در سال 2019، ریچارد ساتون، دانشمند علوم کامپیوتر، مقالهای کوتاه با عنوان ‘درس تلخ’ در وبلاگ خود منتشر کرد (به [لینک] مراجعه کنید). در آن مقاله، او استدلال کرد که از دهه ۱۹۵۰ به بعد، مردم بارها و بارها فرض کردهاند که بهترین راه برای ساختن کامپیوترهای هوشمند، تغذیه آنها با تمام بینشهایی است که انسانها درباره قوانین جهان – از فیزیک تا رفتار اجتماعی – به دست آوردهاند. ساتون نوشت: «پیچیده ترین درس این است که سیستمهایی که حجم زیادی از دادههای خام و قدرت محاسباتی را برای بهرهبرداری از ‘جستجو و یادگیری’ استفاده میکنند، بارها و بارها از روشهای نمادین پیشی گرفتهاند.» به عنوان مثال، کامپیوترهای بازی شطرنج اولیه که بر اساس استراتژیهای طراحیشده توسط انسان آموزش دیده بودند، توسط سیستمهایی که فقط مقدار زیادی داده بازی را دریافت میکردند، شکست خوردند.
این درس بهطور گستردهای توسط حامیان شبکههای عصبی برای حمایت از این ایده که بزرگتر کردن این سیستمها بهترین راه برای دستیابی به AGI است نقل شده است. با این حال، بسیاری از محققان استدلال میکنند که این مقاله مورد بحث خود را اغراقآمیز جلوه میدهد و نقش حیاتی سیستمهای نمادین در هوش مصنوعی را دست کم میگیرد. به عنوان مثال، بهترین برنامه شطرنج امروزی، AlphaZero، یک شبکهی عصبی را با یک درخت نمادین از حرکات مجاز ترکیب میکند.
شبکههای عصبی و الگوریتمهای نمادین هر دو نقاط قوت و ضعف خاص خود را دارند. شبکههای عصبی از لایههایی از گرهها تشکیل شدهاند که اتصالات وزندار در حین آموزش تنظیم میشوند تا الگوها را تشخیص دهند و از دادهها یاد بگیرند. آنها سریع هستند و انعطافپذیر، اما به دادههای آموزشی وابسته هستند و نمیتوانند بهطور قابل اعتمادی به سؤالاتی پاسخ دهند که فراتر از دامنه دادههای آموزشی خود هستند.
سیستمهای نمادین در مقابل، با مفهوم ‘آشفته’ مانند احساسات یا هنر که شامل پایگاهدادههای عظیم قوانین است، مشکل دارند. با این حال، عملکرد آنها واضح است و برای استدلال و استفاده از دانش عمومی در موقعیتهای جدید مناسب هستند.
هنگام استفاده در دنیای واقعی، شبکههای عصبی فاقد دانش نمادین اشتباهات رایجی مرتکب میشوند: تولیدکنندههای تصویر ممکن است افراد را با شش انگشت روی دست ترسیم کنند زیرا مفهوم کلی اینکه دستها معمولاً پنج انگشت دارند را یاد نگرفتهاند؛ تولیدکنندگان ویدیو در ایجاد یک توپ که به طور معقولی میپرد، مشکل دارند، زیرا آنها یاد نگرفتهاند که گرانش باعث میشود اشیاء به سمت پایین حرکت کنند. برخی از محققان این اشتباهات را به کمبود داده یا قدرت محاسباتی نسبت میدهند، اما دیگران استدلال میکنند که این اشتباهات نشاندهنده ناتوانی اساسی شبکههای عصبی در تعمیم دانش و استدلال منطقی هستند.
بسیاری معتقدند اضافه کردن نمادگرایی به شبکههای عصبی ممکن است بهترین – یا حتی تنها – راه برای تزریق استدلال منطقی به هوش مصنوعی باشد. شرکت جهانی فناوری IBM، بهعنوان مثال، از تکنیکهای هوش مصنوعی عصبی-نمادین به عنوان مسیری به سوی AGI حمایت میکند. با این حال، دیگران در این مورد تردید دارند: یان لکون، یکی از پیشروان شبکههای عصبی و دانشمند ارشد هوش مصنوعی در شرکت فناوری متا، گفته است که رویکردهای عصبی-نمادین با یادگیری شبکه عصبی «ناموفق» هستند.
این مطلب از منابع بینالمللی ترجمه و بازنویسی شده است.