Neuro-symboliczna sztuczna inteligencja

Neurosymboliczna sztuczna inteligencja integruje neuronowe i symboliczne architektury sztucznej inteligencji, aby uwzględnić uzupełniające się mocne i słabe strony każdej z nich, zapewniając solidną sztuczną inteligencję zdolną do rozumowania , uczenia się i modelowania poznawczego . Jak argumentował Valiant i wielu innych, skuteczna konstrukcja bogatych obliczeniowych modeli kognitywnych wymaga połączenia solidnego rozumowania symbolicznego i wydajnych modeli uczenia maszynowego . Gary Marcus twierdzi, że: „Nie możemy konstruować bogatych modeli kognitywnych w adekwatny, zautomatyzowany sposób bez triumwiratu architektury hybrydowej, bogatej wcześniejszej wiedzy i wyrafinowanych technik rozumowania”. nasz zestaw narzędzi. Zbyt wiele użytecznej wiedzy jest abstrakcyjne, aby obejść się bez narzędzi reprezentujących i manipulujących abstrakcją, a jak dotąd jedyną znaną nam maszyną, która może niezawodnie manipulować taką abstrakcyjną wiedzą, jest aparat do manipulacji symbolami”.

Henry Kautz , Francesca Rossi i Bart Selman również opowiadali się za syntezą. Ich argumenty opierają się na potrzebie zajęcia się dwoma rodzajami myślenia omówionymi w książce Daniela Kahnemana „Myślenie szybkie i wolne” . Kahneman opisuje ludzkie myślenie jako składające się z dwóch elementów, Systemu 1 i Systemu 2 . System 1 jest szybki, automatyczny, intuicyjny i nieświadomy. System 2 jest wolniejszy, krok po kroku i jawny. System 1 służy do rozpoznawania wzorców. System 2 zajmuje się planowaniem, dedukcją i myśleniem rozważnym. W tym widoku, głębokie uczenie się najlepiej radzi sobie z pierwszym rodzajem poznania, podczas gdy rozumowanie symboliczne najlepiej radzi sobie z drugim rodzajem poznania. Obydwa są potrzebne do solidnej, niezawodnej sztucznej inteligencji, która może się uczyć, rozumować i wchodzić w interakcje z ludźmi w celu przyjmowania porad i odpowiadania na pytania. W rzeczywistości takie modele dwuprocesowe z wyraźnymi odniesieniami do dwóch kontrastujących systemów były opracowywane od lat 90. XX wieku, zarówno w sztucznej inteligencji, jak i kognitywistyce, przez wielu badaczy (np.).

Rodzaje podejść

Podejścia do integracji są różne. Taksonomia neuro-symbolicznych architektur Henry'ego Kautza wraz z kilkoma przykładami wygląda następująco:

  • Symboliczny Neural symboliczny — to obecne podejście wielu modeli neuronowych w przetwarzaniu języka naturalnego, w którym słowa lub tokeny podsłów są zarówno ostatecznym wejściem, jak i wyjściem dużych modeli językowych. Przykłady obejmują BERT , RoBERTa i GPT-3 .
  • Symbolic[Neural] — przykładem jest AlphaGo , gdzie techniki symboliczne są używane do wywoływania technik neuronowych. W tym przypadku podejściem symbolicznym jest przeszukiwanie drzewa Monte Carlo , a techniki neuronowe uczą się, jak oceniać pozycje w grze.
  • Neural|Symbolic — wykorzystuje architekturę neuronową do interpretacji danych percepcyjnych jako symboli i relacji, które są następnie rozumowane symbolicznie. Przykładem jest uczący się koncepcji neuronowej.
  • Neural:Symbolic → Neural — opiera się na rozumowaniu symbolicznym w celu generowania lub oznaczania danych treningowych, które są następnie uczone przez model głębokiego uczenia się, np. w celu wytrenowania modelu neuronowego do obliczeń symbolicznych za pomocą symbolicznego systemu matematycznego podobnego do Macsyma do tworzenia lub oznaczania przykładów .
  • Neural_{Symbolic} — wykorzystuje sieć neuronową, która jest generowana na podstawie reguł symbolicznych. Przykładem jest Neural Theorem Prover, który konstruuje sieć neuronową z AND-OR wygenerowanego na podstawie reguł i terminów bazy wiedzy. Do tej kategorii należą również logiczne sieci tensorowe.
  • Neural[Symbolic] — umożliwia modelowi neuronowemu bezpośrednie wywołanie silnika wnioskowania symbolicznego, np. w celu wykonania akcji lub oceny stanu.

Kategorie te nie są wyczerpujące, na przykład, ponieważ nie uwzględniają systemów wieloagentowych. W 2005 roku Bader i Hitzler przedstawili bardziej szczegółową kategoryzację, która uwzględniała np. to, czy użycie symboli zawierało logikę, czy nie, a jeśli tak, to czy była to logika zdań, czy logika pierwszego rzędu. Powyższa kategoryzacja z 2005 roku i taksonomia Kautza zostały porównane i zestawione w artykule z 2021 roku. Niedawno Sepp Hochreiter argumentował, że Graph Neural Networks „… są dominującymi modelami obliczeń neuronowo-symbolicznych”, ponieważ „opisują właściwości cząsteczek, symulują sieci społecznościowe lub przewidują przyszłe stany w zastosowaniach fizycznych i inżynieryjnych z cząstkami -interakcje cząstek”. [1]

Jako warunek wstępny sztucznej inteligencji ogólnej

Marcus argumentuje, że „… architektury hybrydowe, które łączą uczenie się i manipulację symbolami, są niezbędne dla solidnej inteligencji, ale niewystarczające” i że istnieją:

„... cztery kognitywne warunki wstępne do zbudowania solidnej sztucznej inteligencji:

  • architektury hybrydowe, które łączą uczenie się na dużą skalę z reprezentacyjnymi i obliczeniowymi mocami manipulacji symbolami,
  • bazy wiedzy na dużą skalę – prawdopodobnie wykorzystujące wrodzone ramy – które zawierają wiedzę symboliczną wraz z innymi formami wiedzy,
  • mechanizmy rozumowania zdolne do wykorzystania tych baz wiedzy w wykonalny sposób, oraz
  • bogate modele poznawcze współpracujące z tymi mechanizmami i bazami wiedzy ”.

Odzwierciedla to znacznie wcześniejsze wezwania do modeli hybrydowych już w latach 90.

Historia

Garcez i Lamb opisali badania w tej dziedzinie jako trwające od co najmniej ostatnich dwudziestu lat (właściwie od ponad trzydziestu lat). Seria warsztatów na temat neuro-symbolicznej sztucznej inteligencji odbywa się corocznie od 2005 roku [2] . Na początku lat 90. zorganizowano pierwszy cykl warsztatów na ten temat.

Otwarte pytania badawcze

Pozostaje wiele kluczowych pytań badawczych, takich jak:

  • Jaki jest najlepszy sposób integracji architektury neuronowej i symbolicznej?
  • W jaki sposób struktury symboliczne powinny być reprezentowane w sieciach neuronowych i wydobywane z nich?
  • W jaki sposób należy uczyć się i uzasadniać zdroworozsądkową wiedzę?
  • Jak poradzić sobie z abstrakcyjną wiedzą, którą trudno logicznie zakodować?

Implementacje

Niektóre konkretne implementacje podejść neuro-symbolicznych to:

  • Logiczne sieci tensorowe — kodują formuły logiczne jako sieci neuronowe i jednocześnie uczą się kodowania neuronowego terminów, wag terminów i wag formuł z danych.
  • DeepProbLog — który łączy sieci neuronowe z probabilistycznym rozumowaniem ProbLog .

Cytaty

Zobacz też

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Neuro-symbolic_AI&oldid=1139999065 ”