الذكاء الاصطناعي الرمزي

سعت المناهج السيبرانية إلى محاكاة حلقات التغذية الراجعة بين الحيوانات وبيئاتها. ففي عام 1948، تم بناء سلحفاة آلية مزودة بمستشعرات ومحركات للقيادة والتوجيه، وسبعة أنابيب مفرغة للتحكم، تعتمد على شبكة عصبية مبرمجة مسبقًا. ويمكن اعتبار هذا العمل بمثابة مقدمة مبكرة لأعمال لاحقة في الشبكات العصبية، والتعلم المعزز، والروبوتات الموضعية. ^{[ 19 ]}

كان برنامج "المنطق النظري" (Logic-orist) من أوائل برامج الذكاء الاصطناعي الرمزي المهمة ، وقد كتبه ألين نيويل ، وهربرت سيمون ، وكليف شو في الفترة 1955-1956، إذ تمكن من إثبات 38 نظرية أساسية من كتاب " مبادئ الرياضيات" (Principia Mathematica) لوايتهيد وراسل . لاحقًا، عمّم نيويل، وسيمون، وشو هذا العمل لإنشاء برنامج لحل المشكلات مستقل عن المجال، وهو برنامج "حل المشكلات العام" ( GPS ). حلّ برنامج GPS المشكلات المُمثلة بمعاملات رسمية عبر البحث في فضاء الحالة باستخدام تحليل الوسائل والغايات . ^{[ 20 ]}

خلال ستينيات القرن العشرين، حققت المناهج الرمزية نجاحًا باهرًا في محاكاة السلوك الذكي في بيئات منظمة، مثل ألعاب الفيديو، والرياضيات الرمزية، وإثبات النظريات. وتركزت أبحاث الذكاء الاصطناعي في أربع مؤسسات خلال تلك الفترة: جامعة كارنيجي ميلون ، وجامعة ستانفورد ، ومعهد ماساتشوستس للتكنولوجيا ، وجامعة إدنبرة (لاحقًا) . وقد طورت كل منها أسلوبها البحثي الخاص. أما المناهج السابقة القائمة على علم التحكم الآلي أو الشبكات العصبية الاصطناعية، فقد تم التخلي عنها أو تهميشها.

درس هربرت سيمون وآلان نيويل مهارات حل المشكلات لدى الإنسان وحاولا صياغتها، وقد أرست أعمالهما أسس مجال الذكاء الاصطناعي، بالإضافة إلى العلوم المعرفية وبحوث العمليات وعلوم الإدارة . استخدم فريق بحثهما نتائج التجارب النفسية لتطوير برامج تحاكي التقنيات التي يستخدمها الناس لحل المشكلات. ^{[ 21 ] [ 22 ]} وقد تُوِّج هذا النهج، الذي تمركز في جامعة كارنيجي ميلون، بتطوير بنية سوار في منتصف ثمانينيات القرن العشرين. ^{[ 23 ] [ 24 ]}

إضافةً إلى أنواع المعرفة المتخصصة للغاية في مجالات محددة، والتي سنراها لاحقًا مستخدمة في أنظمة الخبراء، اكتشف باحثو الذكاء الاصطناعي الرمزي الأوائل تطبيقًا آخر أكثر عمومية للمعرفة. عُرفت هذه المعرفة باسم "الأساليب الاستدلالية"، وهي قواعد عامة توجه البحث في اتجاهات واعدة: "كيف يمكن أن يكون البحث غير التعدادي عمليًا عندما تكون المشكلة الأساسية بالغة الصعوبة؟ يتمثل النهج الذي دعا إليه سيمون ونيويل في استخدام الأساليب الاستدلالية : خوارزميات سريعة قد تفشل في بعض المدخلات أو تُخرج حلولًا دون المستوى الأمثل." ^{[ 25 ]} كان من بين التطورات المهمة الأخرى إيجاد طريقة لتطبيق هذه الأساليب الاستدلالية تضمن إيجاد حل، إن وُجد، على الرغم من احتمالية فشل الأساليب الاستدلالية أحيانًا: " قدمت خوارزمية A* إطارًا عامًا للبحث الكامل والأمثل الموجه بالأساليب الاستدلالية. تُستخدم خوارزمية A* كإجراء فرعي ضمن كل خوارزمية ذكاء اصطناعي تقريبًا اليوم، ولكنها لا تزال ليست حلًا سحريًا؛ فضمان اكتمالها يأتي على حساب وقت أسي في أسوأ الحالات." ^{[ 25 ]}

شملت الأعمال المبكرة تطبيقات الاستدلال الرسمي مع التركيز على منطق الرتبة الأولى ، إلى جانب محاولات التعامل مع الاستدلال المنطقي بطريقة أقل رسمية.

مع تزايد وضوح القيود التي تعتري الأساليب الضعيفة وغير المرتبطة بمجال معين، ^{[ 41 ]} بدأ الباحثون من مختلف المدارس الفكرية الثلاث في دمج المعرفة في تطبيقات الذكاء الاصطناعي. ^{[ 42 ] [ 8 ]} وقد انطلقت ثورة المعرفة من إدراك أن المعرفة هي أساس تطبيقات الذكاء الاصطناعي عالية الأداء والمتخصصة في مجال معين.

قال إدوارد فيجنباوم :

• "في المعرفة تكمن القوة." ^{[ 43 ]}

لوصف أن الأداء العالي في مجال معين يتطلب معرفة عامة ومعرفة متخصصة للغاية في ذلك المجال. أطلق إد فيجنباوم ودوغ لينات على هذا مبدأ المعرفة.

(1) مبدأ المعرفة: لكي يؤدي برنامج ما مهمة معقدة بكفاءة، يجب أن يكون على دراية واسعة بالعالم الذي يعمل فيه. (2) امتداد معقول لهذا المبدأ، يُسمى فرضية الاتساع: هناك قدرتان إضافيتان ضروريتان للسلوك الذكي في المواقف غير المتوقعة: الاعتماد على معرفة عامة متزايدة، والقياس على معرفة محددة ولكنها واسعة النطاق. ^{[ 44 ]}

أدت "ثورة المعرفة" هذه إلى تطوير ونشر أنظمة الخبراء (التي قدمها إدوارد فيجنباوم )، وهي أول شكل ناجح تجاريًا من برامج الذكاء الاصطناعي. ^{[ 45 ] [ 46 ] [ 47 ]}

كانت أنظمة الخبراء الرئيسية هي:

• DENDRAL ، الذي اكتشف بنية الجزيئات العضوية من صيغتها الكيميائية وقراءات مطياف الكتلة.
• كان نظام MYCIN يشخص تجرثم الدم، ويقترح إجراء المزيد من الفحوصات المخبرية عند الضرورة، وذلك من خلال تفسير نتائج المختبر، وتاريخ المريض، وملاحظات الطبيب. "بفضل حوالي 450 قاعدة، استطاع نظام MYCIN أن يؤدي أداءً مماثلاً لبعض الخبراء، وأفضل بكثير من الأطباء المبتدئين." ^{[ 48 ]}
• برنامجا "إنترنيست" و "كادوسيوس" اللذان تناولا تشخيص الأمراض الباطنية. سعى برنامج "إنترنيست" إلى الاستفادة من خبرة رئيس قسم الطب الباطني في كلية الطب بجامعة بيتسبرغ، بينما تمكن برنامج "كادوسيوس" في نهاية المطاف من تشخيص ما يصل إلى 1000 مرض مختلف.
• GUIDON، الذي أظهر كيف يمكن إعادة استخدام قاعدة معرفية مصممة لحل المشكلات من قبل الخبراء لأغراض التدريس. ^{[ 49 ]}
• كان برنامج XCON يُستخدم لتكوين أجهزة كمبيوتر VAX، وهي عملية شاقة آنذاك قد تستغرق ما يصل إلى 90 يومًا. وقد قلل برنامج XCON الوقت إلى حوالي 90 دقيقة. ^{[ 10 ]}

يُعتبر نظام DENDRAL أول نظام خبير يعتمد على حل المشكلات القائم على المعرفة المكثفة. فيما يلي وصف له من قِبل إد فيجنباوم ، من مقابلة نُشرت في مجلة Communications of the ACM ، بعنوان: مقابلة مع إد فيجنباوم :

كان جوشوا ليدربيرغ ، الحائز على جائزة نوبل في علم الوراثة عام 1958، أحد المهتمين بنماذج العقل الحاسوبية في جامعة ستانفورد . عندما أخبرته أنني أريد "بيئة تجريبية" للاستقراء، قال: "لديّ ما يناسبك تمامًا". كان مختبره يُجري تحليلًا طيفيًا للأحماض الأمينية. وكان السؤال: كيف ننتقل من تحليل طيف الحمض الأميني إلى تحديد بنيته الكيميائية؟ هكذا بدأنا مشروع ديندرال: كنتُ بارعًا في أساليب البحث الاستدلالية، وكان لديه خوارزمية ممتازة في توليد فضاء المشكلة الكيميائية.

لم تكن لدينا رؤية طموحة. عملنا من القاعدة إلى القمة. كان الكيميائي الذي استعنّا به هو كارل دجيراسي ، مخترع المادة الكيميائية المستخدمة في حبوب منع الحمل، وأحد أبرز خبراء قياس الطيف الكتلي في العالم. كان كارل وفريقه من الباحثين ما بعد الدكتوراه خبراء عالميين في هذا المجال. بدأنا نُضيف إلى خبراتهم، مُبتكرين معارف هندسية جديدة أثناء العمل. مثّلت هذه التجارب معايرةً تدريجيةً لبرنامج ديندرال، حيث زادت المعرفة تدريجيًا. وكلما زاد هذا التحسين، ازداد البرنامج ذكاءً. وقد حققنا نتائج ممتازة.

كانت التعميمات كالتالي: تكمن القوة في المعرفة. كانت هذه هي الفكرة المحورية. في مسيرتي المهنية، كانت هذه هي اللحظة الحاسمة التي أدركت فيها أهمية الذكاء الاصطناعي، ولم تكن هذه هي الطريقة المتبعة سابقًا. قد يبدو الأمر بسيطًا، ولكنه على الأرجح أقوى تعميم في مجال الذكاء الاصطناعي. ^{[ 50 ]}

ظهرت أنظمة الخبراء الأخرى المذكورة أعلاه بعد نظام DENDRAL. يُجسّد نظام MYCIN بنية نظام الخبراء الكلاسيكية، حيث يعتمد على قاعدة معرفية من القواعد مقترنة بآلية استدلال رمزي، بما في ذلك استخدام عوامل اليقين للتعامل مع عدم اليقين. يُبيّن نظام GUIDON كيف يُمكن إعادة توظيف قاعدة معرفية صريحة لتطبيق ثانٍ، وهو التدريس، ويُعدّ مثالًا على نظام تدريس ذكي ، وهو نوع خاص من التطبيقات القائمة على المعرفة. أوضح كلانسي أنه لم يكن كافيًا استخدام قواعد MYCIN للتدريس فحسب، بل كان عليه أيضًا إضافة قواعد لإدارة الحوار ونمذجة الطلاب. ^{[ 49 ]} تكمن أهمية نظام XCON في ملايين الدولارات التي وفّرها لشركة DEC ، مما أدى إلى ازدهار أنظمة الخبراء، حيث امتلكت معظم الشركات الكبرى في الولايات المتحدة فرقًا متخصصة في أنظمة الخبراء، بهدف توثيق الخبرات المؤسسية والحفاظ عليها وأتمتتها.

بحلول عام 1988، كان لدى مجموعة الذكاء الاصطناعي التابعة لشركة دي إي سي 40 نظامًا خبيرًا مُستخدمًا، مع وجود المزيد قيد التطوير. أما شركة دوبونت، فكان لديها 100 نظام قيد الاستخدام و500 نظام قيد التطوير. وكان لدى كل شركة أمريكية كبرى تقريبًا مجموعة ذكاء اصطناعي خاصة بها، وكانت إما تستخدم أو تبحث في أنظمة الخبراء. ^{[ 48 ]}

تم ترميز المعرفة المتخصصة في الشطرنج في برنامج ديب بلو . في عام 1996، سمح هذا لبرنامج ديب بلو التابع لشركة آي بي إم ، بمساعدة الذكاء الاصطناعي الرمزي، بالفوز في مباراة شطرنج ضد بطل العالم آنذاك، غاري كاسباروف . ^{[ 51 ]}

تم تجربة كل من الأساليب الإحصائية والامتدادات المنطقية.

كان أحد الأساليب الإحصائية، وهو نماذج ماركوف المخفية ، قد شاع استخدامه في ثمانينيات القرن الماضي في مجال التعرف على الكلام. ^{[ 12 ]} وفي عام 1988، ساهم جوديا بيرل في نشر استخدام الشبكات البايزية كطريقة سليمة وفعالة للتعامل مع الاستدلال غير المؤكد، وذلك من خلال كتابه "الاستدلال الاحتمالي في الأنظمة الذكية: شبكات الاستدلال المعقول". ^{[ 55 ]} وقد طُبقت الأساليب البايزية بنجاح في أنظمة الخبراء. ^{[ 56 ]} وفي وقت لاحق، في تسعينيات القرن الماضي، أتاح التعلم الإحصائي العلائقي، وهو أسلوب يجمع بين الاحتمالات والصيغ المنطقية، دمج الاحتمالات مع منطق الرتبة الأولى، على سبيل المثال، مع شبكات منطق ماركوف أو المنطق الاحتمالي المرن .

جُرِّبت أيضًا امتدادات أخرى غير احتمالية لمنطق الرتبة الأولى لدعمه. على سبيل المثال، يمكن استخدام الاستدلال غير الرتيب مع أنظمة صيانة الحقيقة . يتتبع نظام صيانة الحقيقة الافتراضات والمبررات لجميع الاستدلالات، ويسمح بسحب الاستدلالات عند اكتشاف خطأ في الافتراضات أو عند استنتاج تناقض. ويمكن تقديم تفسيرات للاستدلال من خلال شرح القواعد التي طُبِّقت لإنشائه، ثم متابعة الاستدلالات والقواعد الأساسية وصولًا إلى الافتراضات الجذرية. ^{[ 57 ]} وقد قدّم لطفي زاده نوعًا مختلفًا من الامتدادات للتعامل مع تمثيل الغموض. فعلى سبيل المثال، عند تحديد مدى "ثقل" أو "طول" رجل، غالبًا لا توجد إجابة واضحة بـ"نعم" أو "لا"، وبدلًا من ذلك، تُرجع المسندات الخاصة بالثقل أو الطول قيمًا بين 0 و1. وتمثل هذه القيم مدى صحة المسندات. كما وفّر منطقه الضبابي وسيلة لنشر تركيبات هذه القيم من خلال الصيغ المنطقية. ^{[ 58 ]}

تم استكشاف مناهج التعلم الآلي الرمزي لمعالجة معضلة اكتساب المعرفة . ومن أوائل هذه المناهج Meta-DENDRAL . استخدم Meta-DENDRAL تقنية التوليد والاختبار لإنشاء فرضيات قواعد معقولة لاختبارها مقابل الأطياف. وقد ساهمت معرفة المجال والمهمة في تقليل عدد المرشحين المختبرين إلى حجم يمكن التحكم فيه. وصف فيجنباوم Meta-DENDRAL بأنه

...كان هذا تتويجًا لحلمي الذي راودني في أوائل ومنتصف ستينيات القرن الماضي، والمتعلق بصياغة النظريات. كانت الفكرة تقوم على وجود برنامج لحل المشكلات، مثل برنامج DENDRAL، يأخذ مدخلات ويُنتج مخرجات. وفي سبيل ذلك، يستخدم البرنامج طبقات من المعرفة لتوجيه البحث وتنقيحه. وقد اكتسبنا هذه المعرفة من خلال مقابلاتنا مع المختصين. ولكن كيف حصل هؤلاء المختصون على هذه المعرفة؟ من خلال تحليل آلاف الأطياف. لذا، أردنا برنامجًا يُحلل آلاف الأطياف ويستنتج المعرفة المتعلقة بقياس الطيف الكتلي، والتي يمكن لبرنامج DENDRAL استخدامها لحل مشكلات صياغة الفرضيات الفردية. وقد حققنا ذلك. بل وتمكّنا من نشر معرفة جديدة في مجال قياس الطيف الكتلي في مجلة الجمعية الكيميائية الأمريكية ، مع الإشارة في هامش فقط إلى أن برنامج Meta-DENDRAL هو من قام بذلك. لقد استطعنا تحقيق ما كان حلمًا بالنسبة لنا: أن يُنتج برنامج حاسوبي بحثًا علميًا جديدًا قابلًا للنشر. ^{[ 50 ]}

على النقيض من النهج المعرفي المكثف لـ Meta-DENDRAL، ابتكر روس كوينلان نهجًا مستقلًا عن المجال للتصنيف الإحصائي، وهو تعلم شجرة القرار ، بدءًا أولاً بـ ID3 ^{[ 59 ]} ثم توسيع قدراته لاحقًا إلى C4.5 . ^{[ 60 ]} أشجار القرار التي تم إنشاؤها هي مصنفات شفافة وقابلة للتفسير، مع قواعد تصنيف قابلة للتفسير البشري.

كما شهد فهم نظرية التعلم الآلي تطورات ملحوظة. فقد قدم توم ميتشل مفهوم "التعلم في فضاء الإصدارات" ، الذي يصف التعلم بأنه بحث في فضاء من الفرضيات، بحدود عليا أكثر عمومية وحدود سفلية أكثر تحديدًا، تشمل جميع الفرضيات الممكنة والمتوافقة مع الأمثلة التي تم استعراضها حتى الآن. ^{[ 61 ]} وبشكل أكثر رسمية، قدم فاليانت مفهوم "التعلم التقريبي الصحيح المحتمل " (PAC Learning)، وهو إطار عمل للتحليل الرياضي للتعلم الآلي. ^{[ 62 ]}

لم يقتصر التعلم الآلي الرمزي على التعلم من خلال الأمثلة فحسب، بل شمل جوانب أخرى. فعلى سبيل المثال، قدم جون أندرسون نموذجًا معرفيًا للتعلم البشري، حيث يؤدي التدريب على المهارات إلى تجميع القواعد من صيغة تصريحية إلى صيغة إجرائية باستخدام بنيته المعرفية ACT-R . فعلى سبيل المثال، قد يتعلم الطالب تطبيق قاعدة "الزوايا المتكاملة هي زاويتان مجموع قياسيهما 180 درجة" كقواعد إجرائية مختلفة. فعلى سبيل المثال، قد تنص إحدى القواعد على أنه إذا كانت الزاويتان X وY متكاملتين، وكنت تعرف قيمة X، فإن Y تساوي 180 - X. وقد أطلق أندرسون على منهجه اسم "تجميع المعرفة". وقد استُخدمت ACT-R بنجاح لنمذجة جوانب من الإدراك البشري، مثل التعلم والاحتفاظ بالمعلومات. كما تُستخدم ACT-R في أنظمة التدريس الذكية ، التي تُسمى أنظمة التدريس المعرفية ، لتدريس الهندسة وبرمجة الحاسوب والجبر لتلاميذ المدارس بنجاح. ^{[ 63 ]}

كانت البرمجة المنطقية الاستقرائية منهجًا آخر للتعلم يسمح بتوليف البرامج المنطقية من أمثلة المدخلات والمخرجات. على سبيل المثال، استطاع نظام استدلال النماذج (MIS) لإيهود شابيرو توليف برامج برولوج من الأمثلة. ^{[ 64 ]} طبق جون ر. كوزا الخوارزميات الجينية على توليف البرامج لإنشاء البرمجة الجينية ، والتي استخدمها لتوليف برامج ليسب. أخيرًا، قدم زوهار مانا وريتشارد والدينجر منهجًا أكثر عمومية لتوليف البرامج ، حيث يقوم بتوليف برنامج وظيفي أثناء إثبات صحة مواصفاته. ^{[ 65 ]}

كبديل للمنطق، قدّم روجر شانك الاستدلال القائم على الحالات (CBR). يركز منهج CBR، الموضح في كتابه "الذاكرة الديناميكية" ^{[ 66 ]،} أولاً على تذكر حالات حل المشكلات الرئيسية لاستخدامها مستقبلاً، وتعميمها عند الاقتضاء. عند مواجهة مشكلة جديدة، يسترجع CBR الحالة السابقة الأكثر تشابهاً ويُكيّفها مع خصوصيات المشكلة الحالية. ^{[ 67 ]} وهناك بديل آخر للمنطق، وهو الخوارزميات الجينية والبرمجة الجينية ، التي تعتمد على نموذج تطوري للتعلم، حيث تُشفّر مجموعات من القواعد في مجموعات سكانية، وتُحكم هذه القواعد سلوك الأفراد، ويؤدي اختيار الأنسب إلى استبعاد مجموعات القواعد غير المناسبة على مدى أجيال عديدة. ^{[ 68 ]}

طُبِّقَ التعلّم الآلي الرمزي على تعلّم المفاهيم والقواعد والأساليب الاستدلالية وحلّ المشكلات. وتشمل المناهج الأخرى، بالإضافة إلى ما سبق ذكره، ما يلي:

1. التعلم من التعليمات أو النصائح، أي تلقي التعليمات البشرية، التي تُقدَّم على شكل نصائح، وتحديد كيفية تطبيقها عمليًا في مواقف محددة. على سبيل المثال، في لعبة القلوب، تعلم كيفية لعب يد معينة لتجنب خسارة النقاط. ^{[ 69 ]}
2. التعلم من النماذج - تحسين الأداء من خلال تقبّل ملاحظات الخبراء المتخصصين أثناء التدريب. عند فشل حل المشكلة، يُطلب من الخبير إما تعلّم نموذج جديد لحل المشكلة أو الحصول على تفسير جديد يوضح سبب كون نموذج ما أكثر ملاءمة من غيره. على سبيل المثال، تعلّم برنامج بروتوس تشخيص حالات طنين الأذن من خلال التفاعل مع أخصائي سمع. ^{[ 70 ]}
3. التعلم بالقياس – بناء حلول للمشاكل بناءً على مشاكل مماثلة تمت رؤيتها في الماضي، ثم تعديل حلولها لتناسب موقفًا أو مجالًا جديدًا. ^{[ 71 ] [ 72 ]}
4. أنظمة التعلم بالتدريب العملي - تعلم حلول مبتكرة للمشاكل من خلال مراقبة حل المشكلات البشرية. تشرح المعرفة المتخصصة سبب صحة الحلول المبتكرة وكيفية تعميمها. تعلم نظام LEAP كيفية تصميم دوائر VLSI من خلال مراقبة المصممين البشريين. ^{[ 73 ]}
5. التعلم بالاكتشاف، أي ابتكار مهام لإجراء تجارب ثم التعلم من النتائج. على سبيل المثال، تعلم برنامج Eurisko الخاص بدوغ لينات أساليب استدلالية للتغلب على اللاعبين البشريين في لعبة تقمص الأدوار Traveller لمدة عامين متتاليين. ^{[ 74 ]}
6. تعلم العمليات الكلية - أي البحث عن عمليات كلية مفيدة يمكن تعلمها من تسلسلات إجراءات حل المشكلات الأساسية. تعمل العمليات الكلية الجيدة على تبسيط حل المشكلات من خلال السماح بحل المشكلات على مستوى أكثر تجريدًا. ^{[ 75 ]}

يسعى الذكاء الاصطناعي العصبي الرمزي إلى دمج البنى العصبية والرمزية بطريقة تعالج نقاط القوة والضعف في كل منهما، بشكل تكاملي، لدعم ذكاء اصطناعي قوي قادر على الاستدلال والتعلم والنمذجة المعرفية. وكما أوضح فاليانت ^{[ 78 ]} وآخرون ^{[ 79 ]،} فإن البناء الفعال لنماذج معرفية حسابية غنية يتطلب الجمع بين الاستدلال الرمزي السليم ونماذج التعلم الآلي الفعالة. وبالمثل، يرى غاري ماركوس أنه: "لا يمكننا بناء نماذج معرفية غنية بطريقة آلية وكافية دون العناصر الثلاثة: البنية الهجينة، والمعرفة المسبقة الغنية، والتقنيات المتطورة للاستدلال" ^{[ 80 ]} ، وعلى وجه الخصوص: "لبناء منهج قوي قائم على المعرفة في مجال الذكاء الاصطناعي، يجب أن نمتلك أدوات معالجة الرموز. فالكثير من المعرفة المفيدة مجردة، ولا يمكننا الاستغناء عن أدوات تمثل التجريد وتتعامل معه، وحتى الآن، فإن الأداة الوحيدة التي نعرفها والقادرة على معالجة هذه المعرفة المجردة بشكل موثوق هي أدوات معالجة الرموز." ^{[ 81 ]}

دعا كلٌّ من هنري كاوتز ^{[ 18 ]} ، وفرانشيسكا روسي ^{[ 82 ]} ، وبارت سيلمان ^{[ 83 ]} إلى توليفٍ بين هذين النمطين. وتستند حججهم إلى ضرورة معالجة نوعي التفكير اللذين تناولهما دانيال كانيمان في كتابه " التفكير، سريعًا وبطيئًا ". يصف كانيمان التفكير البشري بأنه يتألف من عنصرين: النظام 1 والنظام 2. النظام 1 سريع، وتلقائي، وبديهي، ولا واعٍ. أما النظام 2 فهو أبطأ، وتدريجي، وواضح. يُستخدم النظام 1 في تمييز الأنماط، بينما يُعدّ النظام 2 أنسب بكثير للتخطيط والاستنتاج والتفكير التأملي. من هذا المنظور، يُحاكي التعلّم العميق النوع الأول من التفكير على أفضل وجه، بينما يُحاكي الاستدلال الرمزي النوع الثاني على أفضل وجه، وكلاهما ضروري.

يصف غارسيز ولامب الأبحاث في هذا المجال بأنها مستمرة منذ عشرين عامًا على الأقل، ^{[ 84 ]} بدءًا من كتابهما الصادر عام 2002 حول أنظمة التعلم العصبي الرمزي. ^{[ 85 ]} وقد عُقدت سلسلة من ورش العمل حول الاستدلال العصبي الرمزي سنويًا منذ عام 2005. ^{[ 86 ]}

في ورقتهم البحثية لعام 2015 بعنوان "التعلم والاستدلال العصبي الرمزي: المساهمات والتحديات"، يجادل غارسيز وآخرون بما يلي:

على مدى العقدين الماضيين، سعى مجتمع بحثي صغير نسبيًا إلى دمج النموذجين الرمزي والترابطي للذكاء الاصطناعي، وقد أسفر ذلك عن نتائج هامة. خلال العقد الماضي، أظهرت الأنظمة الرمزية العصبية قدرتها على تجاوز ما يُعرف بـ"التثبيت الافتراضي" للشبكات العصبية، كما وصفه مكارثي (1988) ردًا على سمولينسكي (1988)؛ انظر أيضًا (هينتون، 1990). كما أظهرت قدرة الشبكات العصبية على تمثيل المنطق الموجه والمنطق الزمني (دافيلا غارسيز ولامب، 2006) وأجزاء من منطق الرتبة الأولى (بادر، هيتزلر، هولدوبلر، 2008؛ دافيلا غارسيز، لامب، غاباي، 2009). علاوة على ذلك، طُبقت الأنظمة الرمزية العصبية على عدد من المشكلات في مجالات المعلوماتية الحيوية، وهندسة التحكم، والتحقق من البرمجيات وتكييفها، والذكاء البصري، وتعلم الأنطولوجيا، وألعاب الحاسوب. ^{[ 79 ]}

تتنوع أساليب التكامل. وفيما يلي تصنيف هنري كاوتز للهياكل العصبية الرمزية، إلى جانب بعض الأمثلة:

• الشبكات العصبية الرمزية هي النهج الحالي للعديد من النماذج العصبية في معالجة اللغة الطبيعية، حيث تُعتبر الكلمات أو أجزاء الكلمات بمثابة المدخلات والمخرجات النهائية لنماذج اللغة الكبيرة. ومن الأمثلة على ذلك BERT وRoBERTa و GPT-3 .
• يُعدّ نموذج ألفا غو مثالاً على النموذج الرمزي [العصبي] ، حيث تُستخدم التقنيات الرمزية لاستدعاء التقنيات العصبية. في هذه الحالة، يتمثل النهج الرمزي في البحث الشجري باستخدام طريقة مونت كارلو ، بينما تتعلم التقنيات العصبية كيفية تقييم أوضاع اللعبة.
• Neural|Symbolic—يستخدم بنية عصبية لتفسير البيانات الإدراكية كرموز وعلاقات يتم التفكير فيها بعد ذلك بشكل رمزي.
• Neural:Symbolic → Neural—يعتمد على الاستدلال الرمزي لتوليد أو تصنيف بيانات التدريب التي يتم تعلمها لاحقًا بواسطة نموذج التعلم العميق، على سبيل المثال، لتدريب نموذج عصبي للحساب الرمزي باستخدام نظام رياضيات رمزي يشبه Macsyma لإنشاء أو تصنيف الأمثلة.
• تستخدم الشبكات العصبية الرمزية شبكة عصبية مُولَّدة من قواعد رمزية. ومن الأمثلة على ذلك برنامج إثبات النظريات العصبية ^{[ 87 ]} ، الذي يُنشئ شبكة عصبية من شجرة إثبات AND-OR مُولَّدة من قواعد ومصطلحات قاعدة المعرفة. وتندرج شبكات موتر المنطق ^{[ 88 ]} أيضًا ضمن هذه الفئة.
• Neural[Symbolic]—يسمح للنموذج العصبي باستدعاء محرك التفكير الرمزي مباشرة، على سبيل المثال، لتنفيذ إجراء أو تقييم حالة ما.

لا تزال العديد من الأسئلة البحثية الرئيسية قائمة، مثل:

• ما هي أفضل طريقة لدمج البنى العصبية والرمزية؟ ^{[ 89 ]}
• كيف ينبغي تمثيل الهياكل الرمزية داخل الشبكات العصبية واستخراجها منها؟
• كيف ينبغي تعلم المعرفة البديهية والتعامل معها بعقلانية؟
• كيف يمكن التعامل مع المعرفة المجردة التي يصعب ترميزها منطقياً؟

تُعدّ الشبكات الدلالية ، والرسوم البيانية المفاهيمية ، والأطر ، والمنطق، جميعها مناهج لنمذجة المعرفة، مثل معرفة المجال، ومعرفة حل المشكلات، والمعنى الدلالي للغة. تُنمذج الأنطولوجيات المفاهيم الأساسية وعلاقاتها في مجال معين. ومن أمثلة الأنطولوجيات: YAGO و WordNet و DOLCE . يُعدّ DOLCE مثالًا على أنطولوجيا عليا يُمكن استخدامها في أي مجال، بينما WordNet مورد معجمي يُمكن اعتباره أيضًا أنطولوجيا . يدمج YAGO بيانات WordNet كجزء من أنطولوجيته، لمواءمة الحقائق المستخرجة من ويكيبيديا مع مجموعات المرادفات في WordNet . تُعدّ أنطولوجيا الأمراض مثالًا على أنطولوجيا طبية قيد الاستخدام حاليًا.

منطق الوصف هو منطق يُستخدم للتصنيف الآلي للأنطولوجيات والكشف عن بيانات التصنيف غير المتسقة. لغة OWL هي لغة تُستخدم لتمثيل الأنطولوجيات باستخدام منطق الوصف . برنامج Protégé هو محرر أنطولوجيات يمكنه قراءة أنطولوجيات OWL ثم التحقق من اتساقها باستخدام مصنفات استنتاجية مثل HermiT. ^{[ 91 ]}

المنطق من الدرجة الأولى أعمّ من منطق الوصف. تستطيع برامج إثبات النظريات الآلية، التي سنناقشها لاحقًا، إثبات النظريات باستخدام المنطق من الدرجة الأولى. أما منطق بنود هورن فهو أكثر تقييدًا من المنطق من الدرجة الأولى، ويُستخدم في لغات البرمجة المنطقية مثل برولوج. تشمل امتدادات المنطق من الدرجة الأولى: المنطق الزمني ، للتعامل مع الزمن؛ والمنطق المعرفي ، للاستدلال حول معرفة الفاعل؛ والمنطق الموجه ، للتعامل مع الإمكانية والضرورة؛ والمنطق الاحتمالي، للتعامل مع المنطق والاحتمال معًا.

من أمثلة برامج إثبات النظريات الآلية لمنطق الرتبة الأولى ما يلي:

• أمثال 9
• ACL2
• مصاص دماء

يمكن استخدام Prover9 بالتزامن مع مدقق النماذج Mace4 . أما ACL2 فهو برنامج لإثبات النظريات، قادر على التعامل مع البراهين بالاستقراء، وهو مشتق من برنامج Boyer-Moore لإثبات النظريات، المعروف أيضًا باسم Nqthm .

تعتمد الأنظمة القائمة على المعرفة على قاعدة معرفية واضحة ، تتألف عادةً من قواعد، لتعزيز إمكانية إعادة استخدامها في مختلف المجالات من خلال فصل التعليمات البرمجية الإجرائية عن المعرفة الخاصة بالمجال. ويقوم محرك استدلال منفصل بمعالجة القواعد وإضافة أو حذف أو تعديل مخزن المعرفة.

تُعدّ محركات الاستدلال بالتسلسل الأمامي الأكثر شيوعًا، وتُستخدم في لغتي CLIPS و OPS5 . أما الاستدلال بالتسلسل العكسي فيُستخدم في لغة Prolog، حيث يُستخدم تمثيل منطقي أكثر محدودية، وهو بنود هورن . ويُستخدم في لغة Prolog مطابقة الأنماط، وتحديدًا التوحيد .

يتحقق نوع أكثر مرونة من حل المشكلات عندما يتم التفكير في الخطوة التالية، بدلاً من مجرد اختيار أحد الإجراءات المتاحة. يُستخدم هذا النوع من التفكير على مستوى أعلى في نظام Soar وفي بنية لوحة BB1.

قد تمتلك البنى المعرفية مثل ACT-R قدرات إضافية، مثل القدرة على تجميع المعرفة المستخدمة بشكل متكرر في أجزاء ذات مستوى أعلى .

اقترح مارفن مينسكي الأطر لأول مرة كوسيلة لتفسير المواقف البصرية الشائعة، مثل المكتب، ثم وسّع روجر شانك هذه الفكرة لتشمل سيناريوهات الروتينات الشائعة، مثل تناول الطعام في الخارج. وقد سعت شركة سايك إلى استخلاص المعرفة المفيدة من الحس السليم، ولديها "نظريات دقيقة" للتعامل مع أنواع محددة من الاستدلال الخاص بمجال معين.

تُحاكي المحاكاة النوعية، مثل برنامج QSIM لبنيامين كويبرز ^{[ 92 ]} ، التفكير البشري حول الفيزياء البسيطة، مثل ما يحدث عند تسخين سائل في قدر على الموقد. نتوقع أن يسخن السائل وربما يفيض، حتى وإن لم نكن نعرف درجة حرارته أو نقطة غليانه أو تفاصيل أخرى، مثل الضغط الجوي.

وبالمثل، فإن جبر الفترات الزمنية لآلان هو تبسيط للتفكير في الزمن، وحساب اتصال المناطق هو تبسيط للتفكير في العلاقات المكانية. ويمكن حل كليهما باستخدام خوارزميات حل القيود .

تُجري خوارزميات حل القيود استدلالًا محدودًا مقارنةً بمنطق الرتبة الأولى. فهي قادرة على تبسيط مجموعات القيود المكانية والزمانية، مثل تلك الخاصة بـ RCC أو الجبر الزمني ، بالإضافة إلى حل أنواع أخرى من مسائل الألغاز، مثل Wordle و Sudoku ومسائل التشفير الحسابي ، وما إلى ذلك. ويمكن استخدام برمجة منطق القيود لحل مسائل الجدولة، على سبيل المثال باستخدام قواعد معالجة القيود (CHR).