人工智能正在同時適應企業(yè)應用的需求和消費者的興趣。隨著 AI 服務的數(shù)量和類型持續(xù)增長，數(shù)據(jù)工程專家正在敦促我們考慮更多深奧的自動化智能形式。其中一個分支是神經(jīng)符號 AI，這種方法旨在將神經(jīng)模型的類人腦能力與符號模型所代表的人類可讀智能相結合。
什么是神經(jīng)符號 AI?
用最簡單的術語來解釋這些技術，神經(jīng) AI (通常被稱為神經(jīng)網(wǎng)絡技術) 基于大腦本身的復雜推理能力，對大型數(shù)據(jù)集進行模式識別。因此，神經(jīng) AI 非常擅長根據(jù)大量傳感器信息制定智慧城市交通物流方案，但在預測下一個流行音樂現(xiàn)象何時出現(xiàn)、為什么有人患上罕見且記錄不足的疾病，或其他相對獨特或深度主觀的事件何時發(fā)生方面就不那么擅長了。
純數(shù)據(jù)驅動的神經(jīng)網(wǎng)絡可能會捕捉歷史音樂偏好，但如果沒有對代際轉變、社會文化趨勢和其他符號或基于規(guī)則的關系的明確理解，它可能難以對未來進行推斷。
相比之下，神經(jīng)符號方法可以結合：數(shù)據(jù)驅動的模式(不同國家音樂流派隨時間的興衰);關于人口變化和品味的邏輯/符號推理(人口老齡化、出生率變化、遷移);以及新興文化事件和經(jīng)濟因素等背景知識。
讓我們以足球為例
讓我們用美式足球作為更廣泛的說明性例子來探討神經(jīng) AI 和神經(jīng)符號 AI 能夠實現(xiàn)什么。雖然神經(jīng) AI 能夠對數(shù)百種不同的球衣、球隊標志和球員制服進行分類和區(qū)分，但它不一定知道哪些球隊之間的競爭最激烈，或者哪些球員被認為是有史以來最偉大的。它也不會識別(在更符號化的層面上)某件球衣是否傳統(tǒng)上在季后賽中穿著，或是在歷史性的球隊慶祝活動中展示。
符號 AI 基于自然語言的規(guī)則推理，為我們提供了更多透明度，讓我們看到?jīng)Q策是如何做出的。相比之下，神經(jīng) AI 更像是一個黑盒子，因為它的模式識別引擎在高度細化的細節(jié)層面上運轉。
神經(jīng)符號 AI 的應用
所有這些都讓我們得出這樣的結論：神經(jīng)符號 AI 通過將神經(jīng)網(wǎng)絡的模式識別優(yōu)勢與符號系統(tǒng)的上下文智能相結合，解決了以前的局限性。它不僅僅是注意到一件球衣是藍金色的，而是理解球衣的深層含義，以及它是否與關鍵的季后賽時刻相連，是否與傳奇球員有關，或者象征著歷史性的球隊競爭。這種更豐富的理解展示了神經(jīng)符號 AI 如何超越表面分類，提供關于體育的上下文驅動的見解。
歐洲數(shù)據(jù)保護監(jiān)督員網(wǎng)頁上的 Massimo Attoresi 寫道："'符號'一詞與基于知識、邏輯和規(guī)則的顯式表示方法有關，通常使用形式語言和通過算法處理這些語言項目(符號)。"雖然神經(jīng)網(wǎng)絡已經(jīng)證明了它們從非結構化數(shù)據(jù)集中學習的能力，以及在動態(tài)環(huán)境中處理大量數(shù)據(jù)的效率和可擴展性，但這些'非符號'方法也顯示出其弱點，特別是在從復雜數(shù)據(jù)集中識別新模式方面。"
大語言模型背后的真相
到目前為止，這些事實讓我們意識到，盡管大語言模型表現(xiàn)出色，但它們并不是有意識的批判性思維實體。盡管它們能夠產(chǎn)生細微差別和智能，但大語言模型本質(zhì)上是語言模式機器——當提供清晰的指令(提示)時，它們只是對下一步最可能說的話進行近似。
PebblesAI 是一家在 AI 領域致力于打造自己品牌的公司，以其面向營銷和銷售的 AI 原生平臺而聞名。Pebbles AI 的首席執(zhí)行官兼首席研究員 Emin Can Turan 表示："神經(jīng)符號 AI 需要嚴格的研究和領域中心的關注，這與大語言模型不同，后者可以生成幾乎任何主題的文本，但依賴于龐大的、經(jīng)常相互矛盾的數(shù)據(jù)集。雖然這種廣度可能足以完成簡單的任務，但在 B2B 營銷和銷售、公司法律或醫(yī)療保健等專業(yè)領域，它反而成為一種負擔。"
他說，這就像把一個高中運動員直接扔進 NFL，而他對職業(yè)戰(zhàn)術手冊、場地策略或官方規(guī)則一無所知。相比之下，神經(jīng)符號 AI 是由在相關領域擁有深厚專業(yè)知識的研究人員和技術專家精心開發(fā)的，確保了準確的結果和倫理護欄。
Turan 說："另一個關鍵優(yōu)勢是神經(jīng)符號 AI 可以在上下文推理的同時執(zhí)行確定性計算，這是通用大語言模型難以處理的復雜性。""雖然大語言模型乍看之下似樂于適用于所有目的，但神經(jīng)符號 AI 提供的精確性和準確性使其更適合于那些不能接受錯誤、次優(yōu)輸出或危險建議的任務。"
專業(yè)特定解決方案
Turan 舉例說明，神經(jīng)符號 AI 可以用于大型法律公司中古老的工作流程，或解決 B2B 公司跨部門的市場相關工作流程問題。神經(jīng)符號 AI 被認為是在構建能夠像人類一樣思考和學習的 AI 系統(tǒng)的探索中向前邁出的一步，特別是當我們將它們與 AI 代理結合時。
據(jù)領導 Pebbles AI 工程團隊的 AI 總監(jiān) Oleksandr Knyga 和 AI 負責人 Dmytro Antoniuk 表示，現(xiàn)代推理系統(tǒng)通過結構化任務分解實現(xiàn)了連接神經(jīng)和符號處理的代理架構。
Knyga 和 Antoniuk 指出："代理層作為計算編排機制，管理神經(jīng)模式提取和符號規(guī)則應用之間的相互作用，從而在系統(tǒng)層面為神經(jīng)符號集成創(chuàng)建了一個強大的框架。"
構建這樣的神經(jīng)符號 AI 是一項異常復雜的工作，它本質(zhì)上通過將領域特定技能、專業(yè)知識和智慧結合在一起，反映了人類思維的多面性。這種發(fā)展可能構成我們下一步從頭到尾構建 AI 服務方式的關鍵部分。