الصورة: (رسم توضيحي)
مزاوجة التفكير الرمزي مع التعلم السريع
الذكاء الاصطناعي النيوروسيمبولي (Neuro‑symbolic AI) إطار بحثي وتقني يدمج بين قدرات التعلم الآلي الحديث — خاصة التعلم العميق — وقوة التمثيل والاستدلال التي تميز الذكاء الرمزي. الهدف من هذا المزج هو تجاوز قيود كل نهج حين يُستخدم بمفرده، عبر جمع التعلم الإحصائي المعتمد على البيانات مع هياكل المعرفة الصريحة وآليات المنطق.
الرمزي: منطق، أنطولوجيات. الشبكات العصبية: بنية، أوزان.
ماذا نعني بالرمزي؟ هنا تشير كلمة «رمزي» إلى مناهج حسابية تعتمد على ترميز المعرفة بشكل صريح بواسطة لغات رسمية، والقياسات المنطقية، والأنطولوجيات، وأنظمة القواعد. هذه التمثيلات الرمزية — من معادلات رياضية وعبارات منطقية إلى تراكيب برمجية — تمكّن الآلة من التعامل مع رموز منفصلة، فرض قيود، واستنتاج النتائج عبر استدلال منظم. يركّز الذكاء الرمزي إذن على تصنيف الكيانات وصياغة علاقاتها داخل أطر معرفة قابلة للقراءة آلياً، مما يدعم عمليات استدلال شفافة ومنطقية.
في المقابل، تلتقط الشبكات العصبية المعلومات بصورة ضمنية عبر أنماط اتصالات موزونة تُعدّل تدريجياً أثناء التدريب. هذه التمثيلات الموزعة تتيح للنموذج تقريب المخرجات المطلوبة دون الاعتماد على تراكيب مفهومة من قبل الإنسان. وبالرغم من تفوّق هذه النماذج في استخلاص الارتباطات من بيانات غير منظمة وقدرتها الكبيرة على التوسع في بيئات غنية بالبيانات، تبرز أوجه قصور واضحة: صعوبات في التعميم خارج توزيع التدريب، تواجه نماذجٍ كثيرة عند ملاقاة أنماط جديدة أو مركّبة، ما قد يؤدي إلى مخرجات خاطئة أو ملفقة (ما يُعرف بالهلوسة)، بالإضافة إلى تحيّزات غير مُتحكم بها ونقص مستمر في تبرير شفاف للاستنتاجات.
أساس النهج النيوروسيمبولي هو الجمع بين قدرات الاستدلال المهيكل لدى الأنظمة الرمزية (علاقات صريحة، قيود، منطق رسمي) وقوة الشبكات العصبية في تعلّم الأنماط. في هذا النموذج الهجين تستخرج النماذج العصبية سمات من البيانات غير المنظمة (تعلم سريع)، بينما تمنح التمثيلات الرمزية السياق والبنية وقابلية التفسير (التفكير). الشكل 1 يوضّح هذا التعايش بين الشبككاتّ والأنظمة الرمزية.
الشكل 1. NSAI: تآزر بين الشبكات العصبية والأنظمة الرمزية
مجال تطبيق وتصنيف
في التشخيص الطبي، مثلاً، قد يكتشف مُصنّف عميق أنماطاً بصرية في صورة طبية ويمنح تسمية احتمالية لمرض معيّن دون أن يقدم مبرراً. بدمج معرفة المجال — أنطولوجيات الحالات الطبية، علاقات سببية بين الأعراض، وإرشادات سريرية مُنظمة — يمكن لنظام نيوروسيمبولي أن يضع ميزات الصورة في إطار طبي أوسع. هذا التمثيل المعزز يدعم استدلالاً تشخيصياً أدق، يتيح الرجوع إلى تاريخ المريض والبيانات الإحصائية الصحية، ويؤدي في النهاية إلى تنبؤات أكثر موثوقية وقابلة للشرح أمام الأطباء.
تقسّم الأدبيات الحديثة أنظمة NSAI إلى تصنيفات متعددة؛ وسنستشهد هنا بتصنيف شائع يقسّمها إلى ثلاث فئات رئيسية:
1) التعلم من أجل الاستدلال
– تُستخدم الشبكات العصبية ونماذج التعلم العميق لاستخراج معرفة رمزية من بيانات غير منظمة (نص، صور، فيديو)، ثم تُدمَج تلك المعرفة في عمليات استدلال أو اتخاذ قرار رمزية.
2) الاستدلال من أجل التعلم
– تُدرَج المعرفة الرمزية — قواعد منطقية، تراكيب دلالية، أو أنطولوجيات مجال — ضمن تدريب النماذج العصبية لتحسين التعميم والأداء وقابلية التفسير. في سيناريوهات نقل المعرفة، توجّه المعلومات الرمزية التعلم عند تكييف النماذج عبر مجالات مختلفة.
3) التعلم–الاستدلال (اندماج ثنائي الاتجاه)
– تتفاعل المكوّنات العصبية والرمزية باستمرار؛ تولّد الشبكات العصبية فرضيات أو تنبؤات عن علاقات أو قواعد، بينما يقوم النظام الرمزي باستدلال منطقي على هذه المعلومات ويُعيد النتائج إلى الشبكة العصبية لتحسين الأداء العام للنظام.
الماضي، الحاضر، المستقبل
رغم أن أسس الذكاء النيوروسيمبولي وُضعت منذ عقود، فقد اكتسب المجال زخماً ملحوظاً في السنوات الأخيرة مع تزايد الأبحاث. يحفّز الاهتمام المتنامي قدرته على إحداث تأثير في مجالات عالية الأهمية: في الرعاية الصحية يمكن لـ NSAI أن يستخلص من الأدبيات السريرية ويجمع بيانات المرضى مع المعرفة الطبية المهيكلة لدعم استدلال أعمق؛ في الروبوتات يفتح الطريق لأنظمة أكثر إدراكاً وتكيّفاً واستقلالية عبر دمج التمثيلات المتعلّمة مع عمليات صنع قرار قائمة على المنطق؛ والأسواق المالية قد تستفيد بتحسين نماذج توقع المخاطر الائتمانية عبر الجمع بين التعلم القائم على البيانات والمعرفة المالية المهيكلة.
مع ذلك، لم تحقق NSAI اعتماداً تجارياً واسع النطاق بعد. حتى في معالجة اللغة الطبيعية، حيث يبدو أن التكامل الرمزي مفيد للغاية، تبقى الأنظمة الحالية في الغالب شبكية ونادراً ما تتضمن استدلالاً رمزياً صريحاً. التحدي المركزي هو كيفية ضم المكوّنات العصبية والرمزية بطريقة تحافظ على نقاط القوة في كل منهما؛ ذلك يتطلّب معمارية جديدة ومنهجيات تعلم توحّد التعرف الإحصائي على الأنماط مع الاستدلال المنظم. ورغم التقدّم الملحوظ، لم يتبلور بعد إستراتيجية دمج فعّالة وقابلة للتوسيع على نطاق واسع.
كما تواجه المكونات الرمزية قيود كفاءة؛ بناء قواعد منطقية ومعرفة مُنظّمة يعتمد غالباً على جهود خبراء مستهلكة للوقت. لذلك تُستَخدم الشبكات العصبية لحل مشكلات قد تكون باهظة حسابياً بالنسبة للأنظمة الرمزية وحدها. لذا فإن أتمتة استخلاص القواعد وتطوير طرق تعلم تمثيلات رمزية أكثر متانة يمثلان مسارات بحثية هامة للمستقبل.
مستقبل NSAI مرتبط ارتباطاً وثيقاً بتطوّر الشبكات العصبية، فحدود وقدرات هذه الشبكات هي التي تحفّز وتقيد مقاربات NSAI. التقدّم الأخير في نماذج اللغة الكبيرة جدير بالملاحظة، إذ تُظهر هذه النماذج مهارات متزايدة في مهام رياضية ومنطقية تقليدياً مرتبطة بالذكاء الرمزي. الشكل 2 يقارن فئات أنظمة الذكاء الاصطناعي الكبرى من حيث مستوى الاعتماد الصناعي، الاهتمام البحثي، وقابلية الشرح (المقصود بها مدى وضوح العمليات الداخلية للموديل أو مخرجاته).
الشكل 2. الذكاء النيوروسيمبولي مقابل فئات أنظمة الذكاء الاصطناعي الرئيسية
هل تمثل NSAI التحوّل التالي الحاسم في الذكاء الاصطناعي؟ النقاش لا يزال مفتوحاً، وهو مرتبط أيضاً بأسئلة أوسع حول مدى تقليد الذكاء الاصطناعي للدماغ البشري: فالشبكات العصبية تجرد بعض البنى البيولوجية، بينما تعكس الأنظمة الرمزية أنماط التفكير الصريحة التي يصوغها البشر. إن فهم كيفية ترابط هذين المنظورين، وما إذا كانا قادرين على تكامل بعضهما البعض بشكل ذي مغزى، يقف في صميم وعد NSAI وسعيه البحثي المستمرر.
المراجع:
[1] D. Yu, B. Yang, D. Liu, H. Wang, S. Pan. «مسح لأنظمة التعلم العصبي-الرمزي»، مجلة Neural Networks، المجلد 166، 2023، ص. 105–126، ISSN 0893-6080. https://doi.org/10.1016/j.neunet.2023.06.028
[2] V. Dey, F. Hamza-Lup, I. E. Iacob. «الاستفادة من اختيار أفضل نموذج في شبكات التجميع لتحسين توقع مخاطر الائتمان»، المؤتمر الدولي السابع عشر حول الإلكترونيات والحواسيب والذكاء الاصطناعي (ECAI)، تارغوفيشتي، رومانيا، ص. 1–7. https://doi.org/10.1109/ECAI65401.2025.11095568
حقوق الصور:
الصور الواردة داخل متن المقالة أنشأها أو زوّدها المؤلف.