Souhrn
Výzkumníci v oblasti umělé inteligence (AI) se stále častěji domnívají, že samotné neuronové sítě – základ dnešních velkých jazykových modelů (LLM) jako ChatGPT – nebudou stačit k dosažení lidské úrovně inteligence. Klíčem k dalšímu pokroku může být spojení těchto moderních přístupů se starší, pravidly řízenou formou AI známou jako symbolická umělá inteligence. Tento hybridní přístup, označovaný jako neurosymbolická AI, zaznamenává od roku 2021 prudký nárůst zájmu v akademické i průmyslové oblasti.
Klíčové body
- Většina členů Asociace pro rozvoj umělé inteligence (AAAI) považuje samotné neuronové sítě za nedostatečné pro dosažení lidské úrovně inteligence.
- Symbolická AI, založená na formální logice a explicitních pravidlech, byla dominantní v raných fázích vývoje AI, ale byla v 2010. letech přehlcena úspěchem neuronových sítí.
- Neurosymbolická AI kombinuje schopnost neuronových sítí učit se z dat s logickou důsledností a interpretovatelností symbolických systémů.
- Od roku 2021 dochází k prudkému nárůstu počtu vědeckých publikací zabývajících se neurosymbolickou AI.
- Tento přístup je považován za cestu k vytvoření spolehlivějších, bezpečnějších a inteligentnějších AI systémů.
Podrobnosti
Symbolická umělá inteligence – někdy označovaná jako „dobrá stará AI“ – funguje na principu explicitně definovaných pravidel a logických vztahů mezi koncepty. Typickými příklady jsou matematické důkazy, programovací jazyky jako Python nebo diagramy znázorňující hierarchie pojmů (např. kočka → savec → zvíře). Na rozdíl od neuronových sítí, které „černou skříňkou“ odvozují odpovědi z obrovských datových sad, symbolické systémy jsou transparentní a jejich rozhodování lze snadno sledovat a ověřit. V posledních letech se však ukázalo, že neuronové sítě trpí nedostatkem spolehlivosti, interpretovatelnosti a schopnosti provádět abstraktní uvažování. Neurosymbolická AI se snaží tyto nedostatky napravit propojením obou světů: neuronové sítě zpracovávají neformální, šumivá data (např. text nebo obraz), zatímco symbolické komponenty zajišťují logickou koherenci a odvozování na základě pravidel. Výzkumníci jako Brandon Colelough z University of Maryland dokumentují rychlý růst zájmu o tento přístup v odborné literatuře.
Proč je to důležité
Neurosymbolická AI může přinést zásadní posun směrem k obecné umělé inteligenci (AGI), která by dokázala nejen generovat text, ale i uvažovat, plánovat a odvozovat jako člověk. Pro průmysl to znamená možnost vytvářet systémy, které budou méně náchylné k omylům, lépe vysvětlitelné a schopné pracovat s abstraktními koncepty – což je klíčové pro aplikace v medicíně, vědeckém výzkumu nebo autonomních systémech. Tento trend také signalizuje kritický přehodnocení současného zaměření AI výzkumu, který byl v posledních letech téměř výhradně ovládán neuronovými sítěmi.
Zdroj: 📰 Nature.com
| 