Keď samotný výkon nestačí: Ako neuro-symbolická AI prináša do neurónových sietí skutočnú logiku

Rozvoj umelej inteligencie v posledných rokoch poháňal najmä jediný hlavný recept: zväčšovanie neurónových sietí, pridávanie ďalších dát a zvyšovanie výpočtového výkonu. Tzv. hlboké učenie (deep learning) prinieslo obrovské úspechy v rozpoznávaní obrazu, hlsu a pri generovaní textu. S rastúcimi nárokmi však narážame na jasné limity.

Dnešné pokročilé modely dokážu vytvoriť dojem ľudskej inteligencie, no vo svojej podstate fungujú ako mimoriadne zložité štatistické kalkulačky. Vynikajú v hľadaní vzorov, no chýba im skutočné logické uvažovanie. Výsledkom sú známe „halucinácie“, kedy AI s absolútnou istotou tvrdenia predloží vymyslené fakty alebo zlyhá pri jednoduchých matematických a logických úlohách.

Odpoveďou výskumníkov na tento problém je neuro-symbolická AI – prístup, ktorý spája štatistickú silu neurónových sietí s presnosťou a pravidlami formálnej logiky.

Sila a úskalia hlbokého učenia

Hlboké učenie je založené na architektúre, ktorá sa voľne inšpiruje ľudským mozgom. Neurónová sieť spracováva obrovské množstvá dát, nachádza v nich súvislosti a na základe toho odhaduje najpravdepodobnejší výsledok.

Tento štatistický prístup má však zásadné slabiny:

1. Čierna skrinka (Black Box): Často nie je možné zistiť, prečo sieť dospela k konkrétnemu záveru.
2. Absencia kauzality: Sieť vidí koreláciu (že dva jevy sa často vyskytujú spolu), no nerozumie príčine a následku.
3. Neschopnosť overiť vlastnú logiku: Keďže model negeneruje odpoveď na základe dedukcie, ale na základe pravdepodobnosti slov či pixelov, ľahko vytvorí logický rozpor.
4. Energetická náročnosť: Učenie a prevádzka čoraz väčších modelov vyžadujú obrovské množstvá elektrickej energie a špecializovaného hardvéru.

Návrat k symbolickej AI

Pred nástupom hlbokého učenia dominovala výskumu tzv. symbolická AI (často označovaná aj ako pravidlová alebo klasická AI). Fungovala na princípe explicitly definovaných pravidiel a formálnej matematickej logiky – podobne ako databázy alebo expertne navrhnuté stromy rozhodovania.

Až dodnes má symbolická AI obrovské výhody: je 100 % deterministická, vysvetliteľná a presná. Ak do systému zadáte pravidlo, že „každý človek je smrteľný“ a „Sokrates je človek“, systém bez zaváhania vyvodí, že „Sokrates je smrteľný“.

Jej hlavnou nevýhodou však bola strata flexibility. Nedokázala spracovávať neštruktúrované dáta reálneho sveta, ako sú šumové audio nahrávky, nejasné fotografie či prirodzená reč plná slangov a preklepov.

Neuro-symbolický prístup: Spojenie dvoch svetov

Neuro-symbolická AI nebuduje nový systém na zelenej lúke, ale preája oba prístupy do jedného funkčného celku.

Fungovanie tohto spojenia si možno predstaviť na analógii s ľudskou mysľou:

• Neurónová časť (vnímanie a intuícia): Spracováva vstupné dáta z reálneho sveta – rozpoznáva objekty na obrázku, prepisuje hovorené slovo do textu alebo extrahuje kľúčové pojmy.
• Symbolická časť (uplatnenie logiky): Preberie rozpoznané pojmy a podrobí ich prísnym pravidlám logiky, matematiky či fyziky. Overí, či závery dávajú zmysel a neporušujú základné fakty.

Ak napríklad neurónová sieť analyzuje lekársku správu alebo finančný výkaz, neurónová časť vytiahne informácie z textu, zatiaľ čo symbolický modul skontroluje, či výpočty sedia a či navrhovaný postup neodporuje nastaveným pravidlám a legislatíve.

Prečo je tento posun kľúčový pre budúcnosť?

Prechod k neuro-symbolickej architektúre nie je len teoretickým cvičením, ale reakciou na praktické potreby priemyslu a spoločnosti.

• Vyššia bezpečnosť v kritických oblastiach: V medicíne, práve, autonómnej doprave či financiách nie je priestor na štatistické odchýlky a halucinácie. Systémy musia vedieť zdôvodniť každý krok.
• Radikálna úspora energie: Namiesto stavania stále väčších dátových centier dokáže pridaná logika znížiť nároky na veľkosť samotných modelov. Systém nepotrebuje miliardy parametrov na to, aby si zapamätal jednoduché matematické pravidlo.
• Schopnosť učiť sa z mála dát: Symbolické pravidlá umožňujú systému fungovať aj v situáciách, kde nie sú k dispozícii terabajty tréningových dát.

Spojenie hlbokého učenia a symbolickej logiky naznačuje, že éra slepého zvyšovania výpočtového výkonu sa pomaly končí. Budúcnosť umelej inteligencie nespočíva len v tom, koľko dát dokáže model spracovať, ale v tom, ako dokáže získané poznatky logicky prepojiť.