AI niwro-symbolig: Peiriant sy'n gallu trin rhesymeg a dysgu o'r diwedd

• Awdur:
• enw awdur

  Rhagolwg Quantumrun
• Ebrill 13, 2023

Mae dysgu peirianyddol (ML) bob amser wedi bod yn dechnoleg addawol gyda'i heriau unigryw, ond mae ymchwilwyr yn edrych i greu system sy'n seiliedig ar resymeg sy'n mynd y tu hwnt i ddata mawr. Mae systemau sy'n seiliedig ar resymeg wedi'u cynllunio i weithio gyda chynrychioliadau a rhesymu symbolaidd, a all ddarparu ffordd fwy tryloyw a dehongliadwy o ddeall proses gwneud penderfyniadau system. 

Cyd-destun AI niwro-symbolig

Mae AI niwro-symbolig (a elwir hefyd yn AI cyfansawdd) yn cyfuno dwy gangen o ddeallusrwydd artiffisial (AI). Yn gyntaf mae'r AI symbolaidd, sy'n defnyddio symbolau i ddeall perthnasoedd a rheolau (hy, lliw a siâp gwrthrych). Er mwyn i AI symbolaidd weithio, rhaid i'r sylfaen wybodaeth fod yn fanwl gywir, yn fanwl ac yn gynhwysfawr. Mae'r gofyniad hwn yn golygu na all ddysgu ar ei ben ei hun ac mae'n dibynnu ar arbenigedd dynol i barhau i ddiweddaru'r sylfaen wybodaeth. 

Elfen arall AI niwro-symbolig yw rhwydweithiau niwral dwfn (rhwydi dwfn) neu ddysgu dwfn (DL). Mae'r dechnoleg hon yn defnyddio haenau niferus o nodau sy'n dynwared niwronau'r ymennydd dynol i hunan-ddysgu prosesu setiau data mawr. Er enghraifft, gall rhwydi dwfn fynd trwy wahanol ddelweddau o gathod a chŵn i nodi'n gywir pa un yw p'un yw, ac maent yn gwella dros amser. Fodd bynnag, yr hyn na all rhwydi dwfn ei wneud yw prosesu perthnasoedd cymhleth. Trwy gyfuno AI symbolaidd a rhwydi dwfn, mae ymchwilwyr yn defnyddio DL i gorddi llawer iawn o ddata i'r sylfaen wybodaeth, ac ar ôl hynny gall AI symbolaidd gasglu neu nodi rheolau a pherthnasoedd. Mae'r cyfuniad hwn yn caniatáu ar gyfer darganfod gwybodaeth a gwneud penderfyniadau mwy effeithlon a chywir.

Maes arall y mae AI niwro-symbolaidd yn mynd i'r afael ag ef yw proses hyfforddi gostus net dwfn. Yn ogystal, gall rhwydi dwfn fod yn sensitif i newidiadau bach mewn data mewnbwn, gan arwain at wallau dosbarthu. Maent hefyd yn cael trafferth gyda rhesymu haniaethol ac ateb cwestiynau heb lawer o ddata hyfforddi. Ymhellach, mae gweithrediadau mewnol y rhwydweithiau hyn yn gymhleth ac yn anodd i fodau dynol eu deall, gan ei gwneud yn her dehongli'r rhesymeg y tu ôl i'w rhagfynegiadau.

Effaith aflonyddgar

Cynhaliodd ymchwilwyr o Brifysgol Stanford astudiaethau cychwynnol o AI cyfansawdd gan ddefnyddio 100,000 o ddelweddau o siapiau 3D sylfaenol (sgwariau, sfferau, silindrau, ac ati) Yna defnyddiwyd gwahanol gwestiynau i hyfforddi'r hybrid i brosesu data a chasglu perthnasoedd (ee, a yw'r ciwbiau'n goch? ). Canfuwyd y gallai AI niwro-symbolig ateb y cwestiynau hyn yn gywir 98.9 y cant o'r amser. Yn ogystal, dim ond 10 y cant o ddata hyfforddi yr oedd ei angen ar yr hybrid i ddatblygu datrysiadau. 

Gan fod symbolau neu reolau'n rheoli rhwydi dwfn, gall ymchwilwyr weld yn hawdd sut maen nhw'n “dysgu” a lle mae'n torri i lawr. Yn flaenorol, mae hyn wedi bod yn un o wendidau rhwydi dwfn, yr anallu i gael ei olrhain oherwydd haenau a haenau o godau ac algorithmau cymhleth. Mae AI niwro-symbolig yn cael ei brofi mewn cerbydau hunan-yrru i adnabod gwrthrychau ar y ffordd ac unrhyw newidiadau yn yr amgylchedd. Yna caiff ei hyfforddi i ymateb yn briodol i'r ffactorau allanol hyn. 

Fodd bynnag, mae safbwyntiau gwahanol ynghylch ai'r cyfuniad o AI symbolaidd a rhwydi dwfn yw'r llwybr gorau tuag at AI mwy datblygedig. Mae rhai ymchwilwyr, fel y rhai o Brifysgol Brown, yn credu efallai na fydd y dull hybrid hwn yn cyfateb i lefel y rhesymu haniaethol a gyflawnir gan feddyliau dynol. Gall y meddwl dynol greu cynrychioliadau symbolaidd o wrthrychau a pherfformio gwahanol fathau o resymu gan ddefnyddio'r symbolau hyn, gan ddefnyddio rhwydweithiau niwral biolegol, heb fod angen cydran symbolaidd bwrpasol. Mae rhai arbenigwyr yn dadlau y gallai dulliau amgen, megis ychwanegu nodweddion at rwydi dwfn sy'n dynwared galluoedd dynol, fod yn fwy effeithiol wrth wella galluoedd AI.

Ceisiadau am AI niwro-symbolaidd

Gall rhai ceisiadau ar gyfer AI niwro-symbolig gynnwys:

• Bots, fel chatbots, sy'n gallu deall gorchmynion a chymhelliant dynol yn well, gan gynhyrchu ymatebion a gwasanaethau mwy cywir.
• Ei gymhwyso mewn senarios datrys problemau mwy cymhleth a sensitif megis diagnosis meddygol, cynllunio triniaeth, a datblygu cyffuriau. Gellir defnyddio'r dechnoleg hefyd i gyflymu ymchwil wyddonol a thechnolegol ar gyfer meysydd fel cludiant, ynni a gweithgynhyrchu. 
• Awtomatiaeth prosesau gwneud penderfyniadau sydd angen barn ddynol ar hyn o bryd. O ganlyniad, gall ceisiadau o'r fath arwain at golli empathi ac atebolrwydd mewn rhai meysydd fel gwasanaeth cwsmeriaid.
• Offer clyfar mwy greddfol a chynorthwywyr rhithwir a all brosesu gwahanol senarios, megis arbed trydan yn rhagweithiol a gweithredu mesurau diogelwch.
• Cwestiynau moesegol a chyfreithiol newydd, megis materion yn ymwneud â phreifatrwydd, perchnogaeth a chyfrifoldeb.
• Gwell penderfyniadau yn y llywodraeth a chyd-destunau gwleidyddol eraill. Gellid defnyddio'r dechnoleg hon hefyd i ddylanwadu ar farn y cyhoedd trwy hysbysebu wedi'i dargedu'n well a chynhyrchu hysbysebion a chyfryngau hyper-bersonol.

Cwestiynau i'w hystyried

• Ym mha ffordd arall ydych chi'n meddwl y bydd AI niwro-symbolaidd yn effeithio ar ein bywydau o ddydd i ddydd?
• Sut y gellir defnyddio'r dechnoleg hon mewn diwydiannau eraill?