神經符號人工智能機器終於可以同時處理邏輯和學習

圖片來源：

iStock

神經符號人工智能：一台最終可以同時處理邏輯和學習的機器

符號人工智能 (AI) 和深度神經網絡有局限性，但科學家們發現了一種將它們結合起來並創建更智能的 AI 的方法。

作者：
作者姓名
量子運行遠見
2023 年 4 月 13 日

機器學習 (ML) 一直是一項有前途的技術，但它面臨著獨特的挑戰，但研究人員正在尋求創建一個超越大數據的基於邏輯的系統。基於邏輯的系統旨在與符號表示和推理一起工作，這可以提供一種更透明和可解釋的方式來理解系統的決策過程。

神經符號 AI 上下文

神經符號 AI（也稱為複合 AI）結合了人工智能 (AI) 的兩個分支。首先是符號人工智能，它使用符號來理解關係和規則（即物體的顏色和形狀）。要讓符號 AI 發揮作用，知識庫必須精確、詳盡且詳盡無遺。這個要求意味著它不能自己學習，需要依靠人類的專業知識來不斷更新知識庫。

神經符號 AI 的另一個組成部分是深度神經網絡 (deep nets) 或深度學習 (DL)。該技術使用模仿人腦神經元的多層節點來自學處理大型數據集。例如，深度網絡可以通過貓和狗的不同圖像來準確識別哪個是哪個，並且它們會隨著時間的推移而改進。然而，深度網絡無法處理複雜的關係。通過結合符號 AI 和深度網絡，研究人員使用 DL 將大量數據攪動到知識庫中，之後符號 AI 可以推斷或識別規則和關係。這種組合允許更有效和準確的知識發現和決策制定。

神經符號 AI 解決的另一個領域是深度網絡昂貴的訓練過程。此外，深度網絡可能對輸入數據的小變化很敏感，從而導致分類錯誤。他們還在沒有太多訓練數據的情況下進行抽象推理和回答問題。此外，這些網絡的內部運作方式複雜且人類難以理解，這使得解釋其預測背後的推理成為一項挑戰。

破壞性影響

斯坦福大學的研究人員使用 100,000 張基本 3D 形狀（正方形、球體、圓柱體等）圖像對複合 AI 進行了初步研究。然後他們使用不同的問題來訓練混合體處理數據和推斷關係（例如，立方體是紅色的嗎？ ). 他們發現神經符號 AI 可以在 98.9% 的時間內正確回答這些問題。此外，混合模型只需要 10% 的訓練數據即可開發解決方案。

由於符號或規則控制深層網絡，研究人員可以輕鬆地看到它們是如何“學習”的，以及故障發生的地方。此前，這一直是深度網絡的弱點之一，因為層層複雜的代碼和算法無法被追踪。神經符號人工智能正在自動駕駛車輛中進行測試，以識別道路上的物體和環境中的任何變化。然後訓練它對這些外部因素做出適當的反應。

然而，對於符號 AI 和深度網絡的結合是否是通往更高級 AI 的最佳途徑，存在不同意見。一些研究人員，例如布朗大學的研究人員，認為這種混合方法可能無法達到人類思維所達到的抽象推理水平。人腦可以創建對象的符號表示，並使用這些符號、使用生物神經網絡進行各種類型的推理，而無需專用的符號組件。一些專家認為，替代方法，例如向模仿人類能力的深層網絡添加特徵，可能更有效地增強人工智能能力。