來源：至頂網(wǎng)

人工智能正在同時適應(yīng)企業(yè)應(yīng)用的需求和消費(fèi)者的興趣,。隨著 AI 服務(wù)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(jié)合。

什么是神經(jīng)符號 AI,？

用最簡單的術(shù)語來解釋這些技術(shù),，神經(jīng) AI (通常被稱為神經(jīng)網(wǎng)絡(luò)技術(shù)) 基于大腦本身的復(fù)雜推理能力，對大型數(shù)據(jù)集進(jìn)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(yù)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(qū)動的神經(jīng)網(wǎng)絡(luò)可能會捕捉歷史音樂偏好,，但如果沒有對代際轉(zhuǎn)變,、社會文化趨勢和其他符號或基于規(guī)則的關(guān)系的明確理解，它可能難以對未來進(jìn)行推斷,。

相比之下,，神經(jīng)符號方法可以結(jié)合：數(shù)據(jù)驅(qū)動的模式（不同國家音樂流派隨時間的興衰）；關(guān)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(jì)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?qū)崿F(xiàn)什么,。雖然神經(jīng) AI 能夠?qū)?shù)百種不同的球衣,、球隊標(biāo)志和球員制服進(jìn)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(rèn)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?wèi)c?；顒又姓故?。

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(xì)化的細(xì)節(jié)層面上運(yùn)轉(zhuǎn),。

神經(jīng)符號 AI 的應(yīng)用

所有這些都讓我們得出這樣的結(jié)論：神經(jīng)符號 AI 通過將神經(jīng)網(wǎng)絡(luò)的模式識別優(yōu)勢與符號系統(tǒng)的上下文智能相結(jié)合，解決了以前的局限性,。它不僅僅是注意到一件球衣是藍(lán)金色的,，而是理解球衣的深層含義，以及它是否與關(guān)鍵的季后賽時刻相連,，是否與傳奇球員有關(guān),，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(guān)于體育的上下文驅(qū)動的見解,。

歐洲數(shù)據(jù)保護(hù)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(guān),，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(luò)已經(jīng)證明了它們從非結(jié)構(gòu)化數(shù)據(jù)集中學(xué)習(xí)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(kuò)展性,，但這些’非符號’方法也顯示出其弱點,，特別是在從復(fù)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(xì)微差別和智能,，但大語言模型本質(zhì)上是語言模式機(jī)器——當(dāng)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(jìn)行近似,。

PebblesAI 是一家在 AI 領(lǐng)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(yán)格的研究和領(lǐng)域中心的關(guān)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(wù),，但在 B2B 營銷和銷售,、公司法律或醫(yī)療保健等專業(yè)領(lǐng)域,，它反而成為一種負(fù)擔(dān),。”

他說,，這就像把一個高中運(yùn)動員直接扔進(jìn) NFL，而他對職業(yè)戰(zhàn)術(shù)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(guān)領(lǐng)域擁有深厚專業(yè)知識的研究人員和技術(shù)專家精心開發(fā)的,，確保了準(zhǔn)確的結(jié)果和倫理護(hù)欄,。

Turan 說：”另一個關(guān)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(fù)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(zhǔn)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(wù),。”

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(guān)工作流程問題,。神經(jīng)符號 AI 被認(rèn)為是在構(gòu)建能夠像人類一樣思考和學(xué)習(xí)的 AI 系統(tǒng)的探索中向前邁出的一步,，特別是當(dāng)我們將它們與 AI 代理結(jié)合時,。

據(jù)領(lǐng)導(dǎo) Pebbles AI 工程團(tuán)隊的 AI 總監(jiān) Oleksandr Knyga 和 AI 負(fù)責(zé)人 Dmytro Antoniuk 表示,，現(xiàn)代推理系統(tǒng)通過結(jié)構(gòu)化任務(wù)分解實現(xiàn)了連接神經(jīng)和符號處理的代理架構(gòu),。

Knyga 和 Antoniuk 指出：”代理層作為計算編排機(jī)制,，管理神經(jīng)模式提取和符號規(guī)則應(yīng)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(qiáng)大的框架,。”

構(gòu)建這樣的神經(jīng)符號 AI 是一項異常復(fù)雜的工作,，它本質(zhì)上通過將領(lǐng)域特定技能,、專業(yè)知識和智慧結(jié)合在一起,，反映了人類思維的多面性。這種發(fā)展可能構(gòu)成我們下一步從頭到尾構(gòu)建 AI 服務(wù)方式的關(guān)鍵部分,。