Символический искусственный интеллект - это термин, обозначающий совокупность всех методов исследования искусственного интеллекта , которые основаны на высокоуровневых «символических» (удобочитаемых) представлениях проблем, логике и поиске . Символический ИИ был доминирующей парадигмой исследований ИИ с середины 1950-х до конца 1980-х. [1] [ необходима страница ] [2] [ необходима страница ]
Джон Хогеланд дал название GOFAI («Старый добрый искусственный интеллект») символическому ИИ в своей книге 1985 года « Искусственный интеллект: сама идея» , в которой исследуются философские последствия исследований искусственного интеллекта. В робототехнике аналогичный термин - GOFR («Старая добрая робототехника»).
Подход основан на предположении, что многие аспекты интеллекта могут быть достигнуты путем манипулирования символами , предположение, определенное как « гипотеза физических систем символов » Алленом Ньюэллом и Гербертом А. Саймоном в середине 1960-х годов.
Одна из популярных форм символического ИИ - экспертные системы , использующие сеть производственных правил . Производственные правила соединяют символы во взаимосвязи, аналогичной выражению If-Then. Экспертная система обрабатывает правила, чтобы делать выводы и определять, какая дополнительная информация ей нужна, то есть какие вопросы задавать, с использованием удобочитаемых символов.
Противники символического подхода - робототехники, такие как Родни Брукс , который стремится создавать автономных роботов без символического представления (или с минимальным представлением), и исследователи вычислительного интеллекта , которые применяют такие методы, как нейронные сети и оптимизация, для решения проблем машинного обучения и управления. инженерное дело .
Символический ИИ был предназначен для создания в машине общего человеческого интеллекта, тогда как большинство современных исследований направлено на конкретные подзадачи. Исследования общего интеллекта сейчас изучаются в подполе общего искусственного интеллекта .
Изначально машины были разработаны для формулирования выходных данных на основе входных данных, представленных символами. Символы используются, когда ввод определен и подпадает под определенность. Но когда присутствует неопределенность, например, при формулировании прогнозов, представление выполняется с использованием искусственных нейронных сетей . [3] В последнее время были предприняты структурированные усилия по интеграции символического и коннекционистского подходов ИИ под эгидой нейросимволических вычислений. Как утверждают Валиант и многие другие [4], эффективное построение богатых вычислительных когнитивных моделей требует сочетания надежных символических рассуждений и эффективных моделей (машинного) обучения.
Поиск в пространстве состояний
Символическая система ИИ может быть реализована как микромир, например мир блоков . Микромир представляет собой реальный мир в памяти компьютера. Он описывается списками, содержащими символы, а интеллектуальный агент использует операторы для перевода системы в новое состояние. [5] производственная система представляет собой программное обеспечение , которое ищет в пространстве состояний для следующего действия интеллектуального агента. Символы для представления мира основаны на чувственном восприятии. В отличие от нейронных сетей, вся система работает с эвристикой, что означает, что знания предметной области используются для улучшения поиска в пространстве состояний .
Символический искусственный интеллект был отвергнут Хьюбертом Дрейфусом , поскольку он считал его подходящим только для игрушечных задач и считал, что создание более сложных систем или расширение идеи до полезного программного обеспечения невозможно. [6] Тот же аргумент был приведен в отчете Лайтхилла , с которого началась AI Winter в середине 1970-х годов. [7]
Смотрите также
Рекомендации
- ^ Haugeland, Джон (1985), Искусственный интеллект: Сама идея , Кембридж, Массачусетс: MIT Press, ISBN 0-262-08153-9
- ^ Коско, Барт (1993). Нечеткое мышление . Гиперион. ISBN 978-0786880218.
- ^ Васант Хонавар. Символический искусственный интеллект и числовые искусственные нейронные сети: на пути к разрешению дихотомии . Серия Springer International в области инженерии и информатики. Springer США. С. 351–388. DOI : 10.1007 / 978-0-585-29599-2_11 .
- ^ Артур С. д'Авила Garcez, Тарек Р. Besold, Люк Де Raedt, Питер Földiák, Паскаль Hitzler , Томас Icard, Кай-Уве Kühnberger, Луис С. Лэмб, Ристо Miikkulainen, Daniel L. Серебро: Neural-Символическое обучения и Рассуждение: вклад и проблемы. Весенние симпозиумы AAAI 2015, Стэнфорд, AAAI Press.
- ^ Хонавар, Васант; Ур, Леонард (1994). Символический искусственный интеллект, коннекционистские сети и не только (технический отчет). Цифровое хранилище Университета штата Айова, Технические отчеты по информатике. 76. с. 6.
- ^ Дрейфус, Хуберт Л. (1981). «От микромиров к представлению знаний: ИИ в тупике» (PDF) . Дизайн разума . MIT Press, Кембридж, Массачусетс: 161–204.
- ^ Сифань Яо и Цзяцзюнь Чжоу, Цзянмин Чжан и Клаудио Р. Бур (2017). От интеллектуального производства к интеллектуальному производству для Индустрии 4.0 на основе искусственного интеллекта нового поколения и далее . 2017 5-я Международная конференция по корпоративным системам (ES). IEEE. DOI : 10.1109 / es.2017.58 .