Symbolic AI là một nhánh của trí tuệ nhân tạo dựa trên các đại diện cấp cao, dễ hiểu đối với con người về các vấn đề, logic và khả năng tìm kiếm để giải quyết các tác vụ phức tạp. Thường được gọi là “Good Old-Fashioned AI” (GOFAI), phương pháp này cố gắng bắt chước khả năng lập luận của con người bằng cách xử lý các ký hiệu—chuỗi ký tự đại diện cho các khái niệm trong thế giới thực—theo các quy tắc rõ ràng. Khác với Deep Learning (DL) hiện đại, vốn học các mẫu từ khối lượng dữ liệu khổng lồ, Symbolic AI được lập trình thủ công với kiến thức cụ thể và các ràng buộc logic, khiến nó cực kỳ hiệu quả đối với các vấn đề đòi hỏi sự tuân thủ nghiêm ngặt các quy tắc và quy trình ra quyết định minh bạch.
Link to this sectionCơ chế của suy luận biểu tượng#
Cốt lõi của Symbolic AI nằm ở việc thao tác với các ký hiệu bằng cách sử dụng logic. Các hệ thống này không dựa vào neural networks được tìm thấy trong Statistical AI; thay vào đó, chúng sử dụng một inference engine để rút ra các sự kiện mới từ cơ sở tri thức hiện có. Ví dụ, một hệ thống biểu tượng có thể lưu trữ các sự kiện “Socrates là một người đàn ông” và quy tắc “Tất cả đàn ông đều phải chết.” Bằng cách áp dụng suy diễn logic, hệ thống có thể độc lập kết luận rằng “Socrates phải chết.”
Cấu trúc rõ ràng này cho phép đạt được mức độ cao của Explainable AI (XAI). Vì hệ thống tuân theo một chuỗi logic “NẾU-THÌ” rõ ràng, các kỹ sư có thể truy xuất chính xác lý do tại sao một quyết định cụ thể được đưa ra. Điều này trái ngược hoàn toàn với bản chất “hộp đen” của nhiều mô hình generative AI, nơi quá trình suy luận nội bộ thường không minh bạch.
Link to this sectionSymbolic AI so với Statistical AI#
Việc phân biệt Symbolic AI với mô hình thống trị ngày nay, Statistical AI, là rất quan trọng.
- Symbolic AI đi theo hướng từ trên xuống và dựa trên quy tắc. Nó vượt trội trong việc lập luận trừu tượng, lập kế hoạch và thao tác với các cấu trúc được xác định, chẳng hạn như phương trình đại số hoặc knowledge graphs. Nó hoạt động hoàn hảo trong các môi trường tĩnh nơi các quy tắc không thay đổi, nhưng lại gặp khó khăn với dữ liệu nhiễu (như hình ảnh phi cấu trúc) hoặc sự mơ hồ.
- Statistical AI (bao gồm Machine Learning) đi theo hướng từ dưới lên và dựa trên dữ liệu. Các mô hình như YOLO26 học cách nhận dạng các mẫu bằng cách xử lý hàng nghìn hình ảnh. Chúng có khả năng chống nhiễu tốt và xuất sắc trong các tác vụ nhận thức nhưng thường thiếu khả năng thực hiện suy luận logic nếu không có các thành phần bổ sung.
Link to this sectionCác ứng dụng thực tế#
Trong khi deep learning thống trị các tác vụ nhận thức, Symbolic AI vẫn đóng vai trò quan trọng trong các ngành công nghiệp đòi hỏi độ chính xác và khả năng kiểm toán.
- Hệ thống chuyên gia trong chăm sóc sức khỏe: Các hình thức AI sơ khai trong y học là các expert systems biểu tượng. Các hệ thống này sử dụng cơ sở dữ liệu kiến thức y tế và tập hợp các quy tắc chẩn đoán để đề xuất phương pháp điều trị. Ngày nay, các lớp logic này thường hoạt động cùng với các mô hình thị giác AI in healthcare, đảm bảo rằng chẩn đoán tuân thủ các phác đồ y tế đã thiết lập.
- Tuân thủ quy định và tài chính: Trong thế giới của AI in finance, các dự đoán xác suất thường không được chấp nhận. Phần mềm thuế và các công cụ kiểm tra tuân thủ tự động sử dụng logic biểu tượng để đảm bảo mọi tính toán đều tuân thủ nghiêm ngặt các bộ luật thuế của chính phủ. Một “xác suất 99%” là không đủ cho tờ khai thuế; logic phải chính xác, đây là thế mạnh của lập trình biểu tượng.
Link to this sectionSự trỗi dậy của Neuro-Symbolic AI#
Một xu hướng mới đầy mạnh mẽ là Neuro-Symbolic AI, kết hợp sức mạnh nhận thức của mạng thần kinh với sức mạnh lập luận của logic biểu tượng. Trong các hệ thống lai này, mô hình thị giác máy tính xử lý đầu vào cảm giác (nhìn thế giới), trong khi một lớp biểu tượng xử lý việc lập luận (hiểu các quy tắc).
Ví dụ, bạn có thể sử dụng Ultralytics YOLO26 để phát hiện các đối tượng trong nhà máy, và sau đó sử dụng một tập lệnh biểu tượng đơn giản để thực thi các quy tắc an toàn dựa trên những phát hiện đó.
Ví dụ sau đây minh họa một quy trình làm việc Neuro-Symbolic cơ bản: thành phần neural (YOLO26) nhận thức đối tượng, và thành phần symbolic (logic Python) áp dụng một quy tắc.
Link to this sectionTriển vọng tương lai#
Khi các nhà nghiên cứu nỗ lực hướng tới Artificial General Intelligence (AGI), những hạn chế của các mô hình hoàn toàn dựa trên thống kê đang trở nên rõ ràng. Các Large Language Models (LLMs) như GPT-4 thường gặp phải tình trạng “ảo giác” vì chúng dự đoán từ tiếp theo theo xác suất thay vì lập luận một cách logic.
Tích hợp suy luận biểu tượng cho phép các mô hình này “căn cứ” đầu ra của chúng vào thực tế. Chúng ta đang thấy sự phát triển này trong các công cụ kết hợp natural language understanding với các truy vấn cơ sở dữ liệu có cấu trúc hoặc các bộ giải toán học. Đối với các nhà phát triển xây dựng các hệ thống phức tạp, Ultralytics Platform cung cấp cơ sở hạ tầng cần thiết để quản lý các tập dữ liệu và huấn luyện các mô hình thị giác đóng vai trò là nền tảng cảm giác cho các ứng dụng nâng cao, dựa trên logic này.
